通过比较不同形式的提示符来表示事件类型，并开发一种统一框架来结合特定于事件类型的提示符，用于监督、少量样本和零样本事件检测，实验结果表明，一种定义明确、全面的事件类型提示符可以显著提高事件检测的性能，特别是在注释数据匮乏 (少样本事件检测) 或不可用 (零样本事件检测) 的情况下。通过利用事件类型的语义特点，我们的统一框架相对于之前的最先进的基线提高了高达 24.3％的 F-score。

Apr, 2022

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

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

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

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

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

本文提出了一种无触发词的事件检测模型，通过阅读理解和提示学习将事件检测转化为两个塔模型，在 ACE2005 和 MAVEN 的两个事件检测基准数据集上，实验结果表明，与现有的基于触发词和无触发词的方法相比，所提出的方法可以取得竞争性的性能。

Jun, 2023

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

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

提出了一种名为 E-CLIP 的框架，它通过引入新颖的事件编码器和文本编码器，以及原始图像编码器，采用层次三重对比对齐 (HTCA) 模块来优化相关性，实现三种模态之间的知识传递，并在 N-Caltech 数据集上在微调和少样本设置下将性能提升了 3.94% 和 4.62%。此外，E-CLIP 可以灵活地扩展到使用文本或图像查询的事件检索任务。

Aug, 2023