論文の概要: Few-shot Incremental Event Detection

• arxiv url: http://arxiv.org/abs/2209.01979v2
• Date: Thu, 4 May 2023 07:37:10 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-05 19:38:01.861256
• 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。
• 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 enable the quick detection of events from texts and provide powerful support for downstream natural language processing tasks. Most such methods can only detect a fixed set of predefined event classes. To extend them to detect a new class without losing the ability to detect old classes requires costly retraining of the model from scratch. Incremental learning can effectively solve this problem, but it requires abundant data of new classes. In practice, however, the lack of high-quality labeled data of new event classes makes it difficult to obtain enough data for model training. To address the above mentioned issues, we define a new task, few-shot incremental event detection, which focuses on learning to detect a new event class with limited data, while retaining the ability to detect old classes to the extent possible. We created a benchmark dataset IFSED for the few-shot incremental event detection task based on FewEvent and propose two benchmarks, IFSED-K and IFSED-KP. Experimental results show that our approach has a higher F1-score than baseline methods and is more stable.
• Abstract（参考訳）: 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し、下流自然言語処理タスクの強力なサポートを提供する。 ほとんどのメソッドは、事前に定義されたイベントクラスの固定セットしか検出できない。 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。 インクリメンタル学習は効果的にこの問題を解決できるが、新しいクラスの豊富なデータを必要とする。 しかし実際には、新しいイベントクラスの高品質なラベル付きデータがないため、モデルのトレーニングに十分なデータを得ることは困難である。 上記の問題に対処するために,新しいタスクであるマイナショットインクリメンタルイベント検出を定義する。データ制限のある新しいイベントクラスを学習し,可能な限り古いクラスを検出できる機能を保ちながら,新たなイベントクラスを検出することにフォーカスする。 我々は、FewEventに基づく数ショットのインクリメンタルイベント検出タスクのためのベンチマークデータセットIFSEDを作成し、IFSED-KとIFSED-KPの2つのベンチマークを提案する。 実験の結果,本手法はベースライン法よりもF1スコアが高く,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。