論文の概要: Few-shot Incremental Event Detection

• arxiv url: http://arxiv.org/abs/2209.01979v1
• Date: Mon, 5 Sep 2022 14:21:26 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-07 13:39:22.677830
• Title: Few-shot Incremental Event Detection
• Title（参考訳）: わずかなインクリメンタルイベント検出
• Authors: Hao Wang, Hanwen Shi, and Jianyong Duan
• Abstract要約: イベント検出は、複雑なテキストからドメインを素早く決定するのに役立ちます。 既存の手法では、大量のデータのみに基づいて定型学習を実装している。 イベント検出の領域で新しいタスクを定義します。
• 参考スコア（独自算出の注目度）: 3.508346077709686
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Event detection tasks can help people quickly determine the domain from complex texts. It can also provides powerful support for downstream tasks of natural language processing.Existing methods implement fixed-type learning only based on large amounts of data. When extending to new classes, it is often required to retain the original data and retrain the model.Incremental event detection tasks enables lifelong learning of new classes, but most existing methods need to retain a large number of original data or face the problem of catastrophic forgetting. Apart from that, it is difficult to obtain enough data for model training due to the lack of high-quality data in practical.To address the above problems, we define a new task in the domain of event detection, which is few-shot incremental event detection.This task require that the model should retain previous type when learning new event type in each round with limited input. We recreate and release a benchmark dataset in the few-shot incremental event detection task based on FewEvent.The dataset we published is more appropriate than other in this new task. In addition, we propose two benchmark approaches, IFSED-K and IFSED-KP, which can address the task in different ways. Experiments results have shown that our approach has a higher F1 score and is more stable than baseline.
• Abstract（参考訳）: イベント検出タスクは、複雑なテキストからドメインを素早く決定するのに役立つ。 また、自然言語処理の下流タスクに対する強力なサポートも提供でき、既存の手法では大量のデータに基づいて定型学習を実装している。 新しいクラスに拡張する際には、しばしば元のデータを保持し、モデルを再訓練する必要がある。さらにイベント検出タスクは、新しいクラスの生涯学習を可能にするが、既存のほとんどのメソッドは、大量のオリジナルデータを保持したり、破滅的な忘れの問題に直面したりする必要がある。 これとは別に、実際に高品質なデータがないため、モデルトレーニングのための十分なデータを得ることは困難であり、上記の問題に対処するために、少ないインクリメンタルなイベント検出であるイベント検出の領域において、新しいタスクを定義する。このタスクでは、各ラウンドで新しいイベントタイプを限られた入力で学習する場合、モデルが以前の型を保持する必要がある。 ベンチマークデータセットを fewevent に基づいて,数回のインクリメンタルイベント検出タスクで再作成し,リリースしました。 さらに, IFSED-K と IFSED-KP の2つのベンチマーク手法を提案する。 その結果,本手法はF1スコアが高く,ベースラインよりも安定であることがわかった。

関連論文リスト

• Class-Incremental Few-Shot Event Detection [68.66116956283575]
  本稿では,クラスインクリメンタルなイベント検出と呼ばれる新しいタスクを提案する。 このタスクは、古い知識の忘れと新しいクラスオーバーフィットという2つの問題に直面している。 そこで本研究では,Prompt-KDと呼ばれる新しい知識蒸留法と迅速な学習手法を提案する。
  論文  参考訳（メタデータ） (2024-04-02T09:31:14Z)
• 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)
• PILED: An Identify-and-Localize Framework for Few-Shot Event Detection [79.66042333016478]
  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。
  論文  参考訳（メタデータ） (2022-02-15T18:01:39Z)
• 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)
• 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)
• Exploiting the Matching Information in the Support Set for Few Shot Event Classification [66.31312496170139]
  数ショットの学習セットに基づくイベント分類について検討する。 本稿では,学習過程におけるサポートセットを効果的に活用する新たなトレーニング手法を提案する。 2つのベンチマークECデータセットを用いた実験の結果,提案手法は,イベント分類の精度を最大10%向上できることがわかった。
  論文  参考訳（メタデータ） (2020-02-13T00:40:36Z)

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。