KDDFeb, 2020

利用支持集中的匹配信息进行少样本事件分类

PDF
TL;DR研究了事件分类中的少样本学习问题，提出一种通过充分利用支持集的训练方法，能够扩展传统有监督学习模型操作未出现事件类型的能力，实验表明在全指标学习方法中，该方法能够将事件分类的最佳准确性提高多达 10%。
event classificationfew-shot learningsupervised learningtraining methodmetric-learning-based model
发现论文，激发创造
  • Few-shot 学习事件检测的广泛匹配

    本文尝试将事件检测问题转化为少样本学习问题，利用匹配样本提供更多的训练信号来优化模型，在 ACE-2005 数据集（少样本学习）上得到了性能的提升。

    Jun, 2020

  • 少样本图像分类的匹配特征集

    本文提出了一种称为 SetFeat 的方法，将现有特征提取器改为从图像中提取一组特征向量，进而实现更好地将基类的富表示性转移到 few-shot 类中。

    Apr, 2022

  • 基于语义学的交互心理测量的少样本学习

    本文提出了一种基于内部语义关系的交互心理测量学方法，旨在解决少样本图像分类问题中标签监督性与复杂概念关系不兼容的挑战性场景，实验结果表明我们的方法在 CIFAR-100 数据集上有很好的表现以及优越性。

    Dec, 2021

  • 适应性少样本学习算法在稀有声音事件检测中的应用

    本研究提出了一种新颖的任务自适应模块，用于度量学习框架的少样本学习中，并在两个数据集上实现了比基线方法取得了更好的性能，特别是在转导传播网络上，例如在 ESC-50 的 5 路 1-shot 准确性上提高了 6.8％，在 noiseESC-50 上提高了 5.9％。

    May, 2022

  • 针对少样本事件抽取探测和微调阅读理解模型

    本文提出了一个阅读理解框架，用于解决文本数据中的事件抽取问题，并在少量数据上进行优化，取得了零样本以及少样本情况下的优异表现，其次还在 ACE 2005 基准数据集上取得了最佳性能。

    Oct, 2020

  • 类增量少样本事件检测

    提出了一种新颖的知识蒸馏和提示学习方法（Prompt-KD），用于解决类增量少样本事件检测任务中的旧知识遗忘和新类过拟合问题。在两个基准数据集（FewEvent 和 MAVEN）上的实验表明 Prompt-KD 具备卓越的性能。

    Apr, 2024

  • 通过关注每个样本原型来实现小样本物体检测

    本论文提出了一个基于元学习的方法用于 few-shot 目标检测，通过使用两种类型的注意机制对查询和支持特征图进行聚合以提高性能并最大化支持数据的多样性。

    Sep, 2021

  • 协作双通道度量在少样本学习中的应用

    本文提出了一种对 few-shot 分类问题的基础分类方法，和一种在此基础上的协作双路径度量分类方法，将模型在基础分类上的训练结果迁移到新分类中。经过两个基准测试集的验证表明，该方法是一个简单而有效的框架，而且是该领域的新的最先进技术。

    Aug, 2020

  • 自适应知识增强贝叶斯元学习用于小样本事件检测

    提出知识为基础的少样本事件检测方法来解决在实际应用中缺乏正确标记数据的问题，并引入自适应知识增强贝叶斯元学习方法来动态地调整事件类型的知识先验。实验结果表明，在相同的少样本条件下，该方法在至少 15 个绝对 F1 点上一致且显著地优于多个基准线。

    May, 2021

  • 不确定性感知的少样本图像分类

    本文提出了一种不确定性感知的 few-shot 图像分类框架，通过模拟查询和支持样本之间相似度不确定性，提高了模型对有限样本的优化能力，并在基准模型的基础上显著提升了模型性能。

    Oct, 2020