論文の概要: PILED: An Identify-and-Localize Framework for Few-Shot Event Detection

• arxiv url: http://arxiv.org/abs/2202.07615v1
• Date: Tue, 15 Feb 2022 18:01:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-16 15:12:52.641947
• Title: PILED: An Identify-and-Localize Framework for Few-Shot Event Detection
• Title（参考訳）: PILED:Few-Shotイベント検出のためのIdentify-and-Localizeフレームワーク
• Authors: Sha Li, Liyuan Liu, Yiqing Xie, Heng Ji, Jiawei Han
• Abstract要約: 本研究では,事前学習した言語モデルから事象関連知識を引き出すために,クローゼプロンプトを用いた。 型固有のパラメータの数を最小化し、新しい型に対するイベント検出タスクに迅速に適応できるようにします。
• 参考スコア（独自算出の注目度）: 79.66042333016478
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Practical applications of event extraction systems have long been hindered by their need for heavy human annotation. In order to scale up to new domains and event types, models must learn to cope with limited supervision, as in few-shot learning settings. To this end, the major challenge is to let the model master the semantics of event types, without requiring abundant event mention annotations. In our study, we employ cloze prompts to elicit event-related knowledge from pretrained language models and further use event definitions and keywords to pinpoint the trigger word. By formulating the event detection task as an identify-then-localize procedure, we minimize the number of type-specific parameters, enabling our model to quickly adapt to event detection tasks for new types. Experiments on three event detection benchmark datasets (ACE, FewEvent, MAVEN) show that our proposed method performs favorably under fully supervised settings and surpasses existing few-shot methods by 21% F1 on the FewEvent dataset and 20% on the MAVEN dataset when only 5 examples are provided for each event type.
• Abstract（参考訳）: イベント抽出システムの実践的応用は、人間の重大アノテーションの必要性から長い間妨げられてきた。 新しいドメインやイベントタイプにスケールアップするには、モデルが数ショットの学習設定のように、限られた監督に対処することを学ぶ必要がある。 この目的のために、大きな課題は、モデルがイベント参照アノテーションを必要とせずに、イベントタイプのセマンティクスをマスターできるようにすることである。 本研究では,事前学習された言語モデルからイベント関連知識を導き出すためにclozeプロンプトを用い,さらにイベント定義やキーワードを用いてトリガーワードをピンポイントする。 イベント検出タスクを識別テーマのローカライズ手順として定式化することにより、型固有のパラメータの数を最小化し、新しいタイプのイベント検出タスクに迅速に適応できるようにする。 3つのイベント検出ベンチマークデータセット(ACE, FewEvent, MAVEN)を実験した結果,提案手法は完全な教師付き設定下では良好に動作し,FewEventデータセットでは21%F1,MAVENデータセットでは20%,各イベントタイプでは5つの例しか提供されていない場合,既存の複数ショットメソッドを上回ります。

関連論文リスト

• Improving Event Definition Following For Zero-Shot Event Detection [66.27883872707523]
  ゼロショットイベント検出に対する既存のアプローチは通常、既知のイベントタイプをアノテートしたデータセット上でモデルをトレーニングする。 イベント定義に従うためのトレーニングモデルによるゼロショットイベント検出の改善を目指しています。
  論文  参考訳（メタデータ） (2024-03-05T01:46:50Z)
• Zero- and Few-Shot Event Detection via Prompt-Based Meta Learning [45.3385722995475]
  ゼロおよび少数ショットイベント検出のためのメタ学習ベースのフレームワークであるMetaEventを提案する。 本フレームワークでは,クローゼをベースとしたプロンプトとトリガ対応ソフトを用いて,未知のイベントタイプに効率的に出力を投影する手法を提案する。 そのため、提案されたMetaEventは、事前の知識なしに、機能とイベントタイプをマッピングすることで、ゼロショットイベント検出を実行することができる。
  論文  参考訳（メタデータ） (2023-05-27T05:36:46Z)
• Few-shot Incremental Event Detection [3.508346077709686]
  イベント検出タスクは、テキストからのイベントの迅速な検出を可能にする。 古いクラスを検出する能力を失うことなく、新しいクラスを検出するよう拡張するには、スクラッチからモデルを再トレーニングする必要がある。 我々は、限られたデータで新しいイベントクラスを検出する学習に焦点を当てた、新しいタスク、数発のインクリメンタルイベント検出を定義する。
  論文  参考訳（メタデータ） (2022-09-05T14:21:26Z)
• The Art of Prompting: Event Detection based on Type Specific Prompts [28.878630198163556]
  我々は、教師付き、少数ショット、ゼロショットイベント検出のためのイベントタイプ固有のプロンプトを組み込む統一されたフレームワークを開発する。 我々のフレームワークは、これまでの最先端のベースラインよりも最大24.3%のFスコアアップを示している。
  論文  参考訳（メタデータ） (2022-04-14T21:28:50Z)
• Learning Constraints and Descriptive Segmentation for Subevent Detection [74.48201657623218]
  本稿では,サブイベント検出とEventSeg予測の依存関係をキャプチャする制約を学習し,強制するアプローチを提案する。 我々は制約学習にRectifier Networksを採用し、学習した制約をニューラルネットワークの損失関数の正規化項に変換する。
  論文  参考訳（メタデータ） (2021-09-13T20:50:37Z)
• Unsupervised Label-aware Event Trigger and Argument Classification [73.86358632937372]
  まず,利用可能なツール(srlなど)でイベントを識別し,それを事前に定義されたイベントタイプに自動マップする,教師なしイベント抽出パイプラインを提案する。 事前訓練された言語モデルを利用して、イベントトリガと引数の両方の事前定義された型を文脈的に表現します。 我々は、トリガーの83%と引数の54%を正しい型にマッピングし、以前のゼロショットアプローチのパフォーマンスをほぼ倍にしました。
  論文  参考訳（メタデータ） (2020-12-30T17:47:24Z)
• Extensively Matching for Few-shot Learning Event Detection [66.31312496170139]
  超視覚的な学習設定下でのイベント検出モデルは、新しいイベントタイプへの転送に失敗する。 イベント検出では、あまり画像学習は行われていない。 sup-port の例にマッチする2つのノベルロス因子を提案し,モデルにより多くのトレーニング信号を与える。
  論文  参考訳（メタデータ） (2020-06-17T18:30:30Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。