EMNLPSep, 2021

学习约束和描述性分割用于子事件检测

PDF
TL;DR提出了将事件分段作为辅助任务以改善子事件检测学习的方法，并采用整流网络进行约束学习，并将学习到的约束转换为神经模型的损失函数中的正则化项，实验结果表明，该方法在子事件检测中比基准方法分别提高了 2.3％和 2.5％的性能，同时在事件分割预测方面表现良好。
subevent detectionmulti-granular eventsevent-based text segmentationrectifier networksneural model
发现论文，激发创造
  • 事件关系抽取的联合约束学习

    提出了一种联合约束学习框架来对事件 - 事件关系进行建模，这种方法有效弥补了联合标记数据的缺失，并在时间关系提取和事件层级构建方面优于现有的方法，同时也可在外部语料库上诱导事件复合体的有效性。

    Oct, 2020

  • 视频中弱监督稠密事件字幕生成

    本文提出一个无需时间片段注释的方法：针对视频中所有感兴趣事件的稠密描述，基于一一对应的假设，将该问题分解为事件字幕和句子定位的双重问题，并提出了一种循环系统来训练模型。通过大量实验结果证明了该方法在视频事件字幕和句子定位方面的有效性。

    Dec, 2018

  • Text2Event: 可控制序列结构生成的端到端事件提取

    本文提出了 Text2Event 模型，一种基于序列到结构生成范式的端到端学习模型，通过统一建模和普遍预测不同类型的标签，使用仅有记录级注释的情况下，实现了在监督和迁移学习中获得竞争性表现的事件抽取方法。

    Jun, 2021

  • 利用序列标记技术从 Twitter 数据流中检测子事件

    本文提出了基于神经序列模型的改进方法，不仅在个别帖子层面，而且直接在流媒体层面上进行社交媒体流中的子事件检测，采用递归神经网络模型显式地考虑了帖子的时间顺序，提高了 2.4% 的 bin-level F1 值。

    Mar, 2019

  • 在连续照片流中预测视觉上下文以进行无监督事件分割

    提出了一种基于 LSTM 的生成网络，使用视觉上下文来决定边界，针对视频内容分割中的挑战，能够准确地将图像帧聚类成事件，并在大规模生活记录数据集上证明了其高效性。

    Aug, 2018

  • OpenESS: 基于事件的开放语义场景理解

    本研究介绍了 OpenESS，利用图像、文本和事件数据领域的信息协同工作，以实现可扩展的事件感知的语义分割任务，通过跨模态适应和语义一致性正则化，得到了优于现有方法的实验结果。

    May, 2024

  • 清华大学人工智能联盟团队 2020 Activitynet 任务二技术报告：探索密集视频字幕的顺序事件检测

    提出了一种用于密集视频字幕的事件序列生成模型，通过双向时间依赖在一次传递中生成事件边界来探索视频中的时间关系，避免了低效的两阶段提议生成，并在事件字幕模型中取得了最新的性能。

    Jun, 2020

  • 密集视频字幕生成中的事件定位与描述

    本文提出了一种新的密集视频字幕生成框架，该框架将时间上的事件提案的本地化和生成句子主体的合并，通过端到端的联合训练结构。这种模型在 ActivityNet Captions 数据集上的实验显示出了与现有技术相比的明显改进，创造了 12.96％的新的 METEOR 记录。

    Apr, 2018

  • EDM3：事件检测作为多任务文本生成

    EDM3 是一种基于生成任务模型的事件检测方法，通过利用语言模型的现有知识，实现了针对任何分类模式的训练；该算法在多个事件检测数据集上验证表现优异，在多任务性能方面更是领先 8.4%。

    May, 2023

  • 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