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

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

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

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

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

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

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