ACLMay, 2021

自适应知识增强贝叶斯元学习用于小样本事件检测

PDF
TL;DR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。
event detectionfew-shot learningknowledge-based methodbayesian meta-learningtrigger words
发现论文，激发创造
  • 基于动态记忆的原型网络元学习用于小样本事件检测

    本研究利用少量标记数据，提出了一种基于动态存储器网络的原型网络模型，通过多次跳转机制实现了更精确的事件原型和更丰富的句子编码，能够在事件类型繁多、样本数量极少的情况下更好地解析事件，并在实验中表现优于基线模型。

    Oct, 2019

  • 基于提示元学习的零样本和小样本事件检测

    本文提出了一种基于元学习的框架 MetaEvent，用于零样本和少样本事件检测，采用填空提示和触发词感知软语言器等模块快速适应未见过的任务，通过最大均值差异构造对比元目标学习类别间差异，实现无先前知识的零样本事件检测与少样本事件检测，实验证明 MetaEvent 在 FewEvent 和 MAVEN 基准数据集上均实现了最佳性能。

    May, 2023

  • 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

  • Few-shot Event Detection: 一个实证研究与一个统一的视角

    本文通过对 10 种方法的比较研究，提出一种对少样本事件检测模型的统一视图和基准，为未来的研究提供了许多有价值的研究见解。

    May, 2023

  • 少样本增量事件检测

    在事件检测领域，我们定义了一项新任务：少样本增量事件检测。我们使用 FewEvent 为基础重新创建并发布了一个基准数据集，提出了两种基准方法（IFSED-K 和 IFSED-KP），并表明我们的方法比基线更稳定且具有更高的 F1 分数。

    Sep, 2022

  • 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

  • MsPrompt：针对去偏少样本事件检测的多步提示学习

    本文提出了一个基于多步骤提示学习模型的真正的几乎零样本事件检测方法，旨在解决传统事件检测算法中存在的数据稀缺和上下文偏差问题，并通过对知识增强本体论的应用，以及 原型学习模块来提高事件分类和泛化性能。实验表明，与当前最好的基线模型相比，该方法在严格的低资源场景中提高了 11.43％的加权 F1 分数，并实现了卓越的去偏差性能。

    May, 2023

  • 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

  • OntoED: 基于本体嵌入的低资源事件检测

    通过本体嵌入建立相关知识联系的事件检测框架 OntoED，在解决数据稀缺和新未知事件类型方面比现有方法更卓越和稳健

    May, 2021

  • 改进零样本事件检测的事件定义

    通过研究零样本事件检测中的事件类型和定义，提出了使用多样化的事件类型和定义来提高模型遵循事件定义的方法，并构建了一个自动生成的多样化事件定义（DivED）数据集进行实证研究，结果显示，大量的事件类型和多样化的事件定义可以显著提升事件提取性能，同时在训练中引入事件本体信息和困难负样本可以进一步提高性能，基于这些发现，在 DivED 数据集上微调 LLaMA-2-7B 模型，在三个零样本事件检测基准上取得了超越 GPT-3.5 等最新大语言模型的性能。

    Mar, 2024