通过自主学习的潜在事件编码，我们模拟了层次预测的发展，并提出了一种采用递归神经网络的分层体系结构，能够生成能够压缩感知动作序列的稀疏变化潜在状态。高层网络能预测潜在状态发生变化的情况。我们在仿真机器人操纵器上进行了实验，结果显示这个系统学习到了准确的数据事件结构，能够生成类似于婴儿眼追踪研究中发现的目标预期行为，并且为自主学习压缩层次编码和利用这些编码来生成自适应行为提供了新的方式。
Jun, 2022
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
该论文在事件建模和理解的背景下，提出了一种新的神经序列建模方法，该方法考虑了离散的、部分被观察到的外部知识序列。通过构建一个顺序神经变分自编码器，在精心定义的编码器中使用 Gumbel-Softmax 重参数化技术，允许半监督的外部离散知识在训练期间指导但不限制变分潜在参数。实验表明，该方法不仅优于多个基线和叙事脚本归纳的最新技术，而且收敛速度更快。
本文提出了一种基于 Graph Edge-conditioned Attention Networks 和 UMLS 的领域知识结合的分层图表示方法，用于增强句子中嵌套事件的抽取，其中每个句子首先通过联合建模的分层知识图地面化为一张句子图，并通过图神经网络 GEANet 对其进行传播来识别特定的 trigger 单词。该方法在 BioNLP2011 GENIA 事件抽取任务中，对于所有事件和复杂事件分别实现了 1.41％和 3.19％的 F1 增益。消融研究证实了 GEANet 和分层 KG 的重要性。
Sep, 2020
通过计算谓词和它们的论元的分布式表示，然后使用这些表示来预测原型事件排序，我们的方法从文本中联合估计计算事件表示和模型的排序组件的组合过程参数，证明此方法相较于以往的方法在排序性能方面有明显提升。
Dec, 2013
本文介绍了一种利用神经估计器进行概率推断的方法，针对具有层次结构的模型，从实际应用的角度出发，利用粒子碰撞数据和强引力透镜观测数据进行案例研究并得出相应的结论。
Jun, 2023
本研究针对事件接地任务进行了扩展，需要从知识库中处理层次事件结构，通过辅助层次损失提出了一种检索方法，实验结果表明了层次损失的有效性并演示了系统在未见事件中发现层次性的能力。
Feb, 2023
本文提出了一种基于概率领域知识构建分布式约束的框架，并且通过 Lagrangian Relaxation 解决约束的推理问题，用于端到端的事件时间关系提取任务，实验结果显示我们的框架能够在新闻和临床领域的两个广泛使用的数据集上显著地提高基线的神经网络模型。
通过利用大型语言模型，将事件图谱识别为一种常识性知识形式，并提出一种增量提示和验证方法，可以直接处理事件之间的层次关系和时间关系。相较于其他方法，可以提高 F1 值。
Jul, 2023
为了利用有可能是嘈杂或缺失的边缘信息，我们提出了一种基于半监督信息瓶颈离散隐变量模型。我们使用辅助连续隐变量和轻量级分层结构重新参数化模型的离散变量，以最小化已观测数据和未被新辅助变量捕获的可选边缘知识之间的互信息，并在事件建模上进行经验研究，并与强实验结果协作我们的理论结果。
May, 2022