Mar, 2024

AcTED：半监督时态常识问答中典型事件持续时间的自动获取

PDF
TL;DR我们提出了一种基于投票的半监督方法，自动获取事件的典型持续时间并将其用作伪标签数据。人工评估表明，我们的伪标签表现出令人惊讶的高准确性和平衡覆盖率。在时间常识问答任务中，实验结果显示，仅使用 400 个事件的伪样本，我们的表现可与现有的基于 BERT 的弱监督方法相媲美，而这些方法需要大量的训练样本。与 RoBERTa 基线相比，我们的最佳方法在准确匹配方面实现了最新的技术水平，提高了 7%。
发现论文，激发创造
  • 最小监督的时间常识获取

    本论文提出了一种基于序列建模的方法，利用大型语料库中显式和隐含的时间常识，构建了一个新颖的时间常识语言模型 TACOLM。该模型可以有效预测各种维度的时间常识，并且在时态 NLP 相关任务中产生了比标准 BERT 更好的事件表示。

    May, 2020

  • 远程监督在时态关系抽取中的有效应用

    本研究提出了一种自动收集时间关系远程监督例子的方法，通过掩盖文本中明确的时间提示信号，训练出的模型能够学习到其他信号，实验表明预训练的 Transformer 模型能够通过这些弱标注的例子，在零样本和少样本情况下转移学习到具有人工注释的基准，并且遮罩方案对于改善泛化能力很重要。

    Oct, 2020

  • 通过自动训练数据生成放大事件抽取学习

    本文提出了使用远程监督自动生成训练数据，利用结构化知识库和神经网络模型来提高事件抽取的效果的方法。通过实验结果表明，该方法可以大量生成高质量的训练数据，并且可以识别出多种类型的事件。

    Dec, 2017

  • 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

  • 时间常识推理与获取综述

    时间常识推理是指理解短语、动作和事件的典型时间背景，并在需要此类知识的问题上使用它进行推理的能力。本文概述了在时间常识推理领域的研究，特别关注通过多种增强和它们在日益增多的数据集上的评估来提高语言模型性能。然而，这些增强模型在处理时间常识属性的推理任务上仍然难以接近人类表现。我们进一步强调在转换器中存在的浅层推理情况下，对研究结果进行谨慎解释以防过度承诺评估结果，可以通过适当准备数据集和合适的评估指标来实现。

    Jul, 2023

  • 语义混淆矫正下的连续事件提取

    我们提出了一种用于解决连续事件提取中语义混淆问题的新颖模型，通过为每个句子标记伪标签来缓解语义混淆，并在当前和之前的模型之间传递关键知识以提高对事件类型的理解，此外还通过利用其他关联类型来鼓励模型集中关注长尾事件类型的语义，实验结果表明我们的模型优于最先进的基线算法，并在不平衡数据集上表现出色。

    Oct, 2023

  • 无监督学习事件之间的时间关系

    本文介绍了两种旨在实现无人监督的时间关系提取方法，第一种基于弱监督机器学习方法和互联文献数据集，第二种是基于期望最大化算法和不同的技术手段，我们的实验结果表明，所提出的两种方法无需额外的注释数据即可实现从事件之间提取时间关系，并实现了比以往更高的准确性。

    Jan, 2014

  • ExACT：基于语言引导的概念推理和不确定性估计，用于基于事件的动作识别及更多

    采用跨模态概念化的角度，本文提出了一种名为 ExACT 的新方法，从事件感知的角度来解决基于事件的动作识别问题。通过自适应细粒度事件表示筛选出重复事件，并利用概念推理和不确定性估计模块来增强语义表征，实验结果表明，ExACT 在不同数据集上均取得了优异的识别准确率。

    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

  • 少数点击即可：主动测试时间适应语义分割

    在这项工作中，我们通过引入人机协同测试模式，提出了一种简单而有效的 ATASeg 框架，它通过极少量的注释实现了 TTA 方法和有监督方法之间的性能差距的弥合。

    Dec, 2023