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
本文提出了一种基于元学习的框架 MetaEvent，用于零样本和少样本事件检测，采用填空提示和触发词感知软语言器等模块快速适应未见过的任务，通过最大均值差异构造对比元目标学习类别间差异，实现无先前知识的零样本事件检测与少样本事件检测，实验证明 MetaEvent 在 FewEvent 和 MAVEN 基准数据集上均实现了最佳性能。
May, 2023
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。
我们提出了一种从少量样本中学习语义分割模型的新类别的方法，通过伪标签策略进行扩充，通过知识提取能够保留现有类别的知识。
Aug, 2023
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
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
本论文提出了一个三阶段框架来解决 Few-shot 学习中的挑战，包括学习新类别，避免基类的灾难性遗忘以及横跨新基类的分类器校准，通过在图像和视频少样本分类的四个基准数据集上的实验证明该框架达到了最先进的结果。
Aug, 2021