Sep, 2022

少样本增量事件检测

PDF
TL;DR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。
event detectionincremental learningfew-shot learningbenchmark datasetnatural language processing
发现论文，激发创造
  • 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

  • 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

  • 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

  • 利用开放信息抽取提升少样本触发器检测的领域迁移能力

    本研究提出了通过 open information extraction （OIE）系统所获取的主客体关系将触发器耦合在不同领域之间从而增强域迁移的性能，并在目标领域上使用 OIE 系统最后结合掩盖语言建模技术来降低负迁移。

    May, 2023

  • 持续性的少样本事件检测：层次化增强网络

    提出了一种记忆性的层次增强网络 (Hierarchical Augmentation Networks, HANet) 框架，用于解决连续少样本事件检测任务，其中包括通过原型增强来记忆先前的事件类型以及通过对令牌表示进行对比性增强来学习新的事件类型。与其他方法和 ChatGPT 相比，实验证明我们的方法在多个连续少样本事件检测任务中表现显著优于所有这些方法。

    Mar, 2024

  • 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

  • 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

  • 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

  • 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

  • P4E: 基于提示引导的少样本事件检测及定位

    本研究提出了一种结合少量样本激励和结构化预测的识别与定位事件检测框架 P4E，该框架将事件检测分解为识别任务和定位任务，利用填空提示来对准获得预训练任务的目标，从而使我们的模型能够快速适应新的事件类型。

    Feb, 2022