COLINGMar, 2024

持续性的少样本事件检测：层次化增强网络

PDF
TL;DR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。
continual event detectioncontinual few-shot event detectionmemory-based frameworkhierarchical augmentation networkscontrastive augmentation module
发现论文，激发创造
  • 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

  • 少样本增量事件检测

    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

  • 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

  • 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

  • 基于动态记忆的原型网络元学习用于小样本事件检测

    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

  • 具有异构图注意力网络的标签增强事件检测

    本文提出了一种使用标签增强的异构图注意力网络 (L-HGAT) 来解决中文事件检测中的单词触发器不匹配问题的方法。在该方法中，每个句子被转换成一个图，其中包含了单词和字符之间的交互作用，并使用异构图注意力网络来传播关系信息和丰富信息交互。此外，每个标签都被转换为基于触发器原型的嵌入。在两个基准数据集上进行的实验表明，该模型比其他基线方法取得了显着的改进。

    Dec, 2020

  • 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

  • 通过对比损失增强的批量关注，半监督地识别并描述新事件类型

    本文提出了一种新的半监督事件类型归纳方法，使用掩蔽对比损失学习事件提及之间的相似性以及通过近似数据中的底层流形来解离已发现的群集，从而实现事件类型归纳和 FrameNet 帧的链接。

    Feb, 2022

  • 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

  • 基于原型化摊余条件随机场的少样本事件检测

    该研究提出了一种 Prototypical Amortized Conditional Random Field（PA-CRF）模型，用于近似标签原型之间的转移分数来建模字词依赖性，同时引入高斯分布模型来缓解模型对不充足数据的不确定性，从而解决事件类型识别中样本数量不足导致的错误传播问题，实验结果表明，该方法优于传统的基于识别 - 分类的方法。

    Dec, 2020