論文の概要: HCL-TAT: A Hybrid Contrastive Learning Method for Few-shot Event
Detection with Task-Adaptive Threshold
- arxiv url: http://arxiv.org/abs/2210.08806v1
- Date: Mon, 17 Oct 2022 07:37:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-18 18:36:04.031854
- Title: HCL-TAT: A Hybrid Contrastive Learning Method for Few-shot Event
Detection with Task-Adaptive Threshold
- Title(参考訳): HCL-TAT:タスク適応閾値を用いたFew-shotイベント検出のためのハイブリッドコントラスト学習手法
- Authors: Ruihan Zhang, Wei Wei, Xian-Ling Mao, Rui Fang, Dangyang Chen
- Abstract要約: タスク適応型閾値(HCLTAT)を用いた新しいハイブリッドコントラスト学習法を提案する。
本稿では,タスク適応型閾値(HCLTAT)を用いたハイブリッドコントラスト学習手法を提案する。
ベンチマークデータセットFewEventの実験は、最先端技術と比較して、より良い結果を得るために、我々の手法の優位性を実証している。
- 参考スコア(独自算出の注目度): 18.165302114575212
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Conventional event detection models under supervised learning settings suffer
from the inability of transfer to newly-emerged event types owing to lack of
sufficient annotations. A commonly-adapted solution is to follow a
identify-then-classify manner, which first identifies the triggers and then
converts the classification task via a few-shot learning paradigm. However,
these methods still fall far short of expectations due to: (i) insufficient
learning of discriminative representations in low-resource scenarios, and (ii)
trigger misidentification caused by the overlap of the learned representations
of triggers and non-triggers. To address the problems, in this paper, we
propose a novel Hybrid Contrastive Learning method with a Task-Adaptive
Threshold (abbreviated as HCLTAT), which enables discriminative representation
learning with a two-view contrastive loss (support-support and
prototype-query), and devises a easily-adapted threshold to alleviate
misidentification of triggers. Extensive experiments on the benchmark dataset
FewEvent demonstrate the superiority of our method to achieve better results
compared to the state-of-the-arts. All the code and data of this paper will be
available for online public access.
- Abstract(参考訳): 教師付き学習環境下での従来のイベント検出モデルは、十分なアノテーションがないため、新たに出現したイベントタイプへの転送が不可能である。
一般的に適応された解決策は、まずトリガーを識別し、次に数ショットの学習パラダイムを通じて分類タスクを変換する識別-then-classify方式に従うことである。
しかし、これらの手法はいまだに期待をはるかに下回っている。
(i)低リソースシナリオにおける識別表現の学習不足、及び
(二)トリガーと非トリガーの学習表現の重複による誤識別の引き金となる。
そこで本研究では,タスク適応型閾値(HCLTAT)を用いたハイブリッド・コントラスト学習手法を提案する。この手法により,2視点のコントラスト損失(サポート型およびプロトタイプ型クエリ)による識別的表現学習が可能となり,トリガの誤識別を緩和するための適応しきい値が考案される。
ベンチマークデータセットFewEventの大規模な実験は、我々の手法が最先端技術よりも優れた結果を得るために優れていることを実証している。
この論文のすべてのコードとデータは、オンラインで公開されている。
関連論文リスト
- An Adversarial Approach to Evaluating the Robustness of Event
Identification Models [14.456571495691561]
本稿では,事象分類の特徴を抽出する物理に基づくモーダル分解法について考察する。
得られた分類器は、その堅牢性を評価するために、逆アルゴリズムに対してテストされる。
論文 参考訳(メタデータ) (2024-02-19T18:11:37Z) - Virtual Category Learning: A Semi-Supervised Learning Method for Dense
Prediction with Extremely Limited Labels [63.16824565919966]
本稿では,ラベルの修正を伴わずに,混乱したサンプルを積極的に使用することを提案する。
仮想カテゴリー(VC)は、モデルの最適化に安全に貢献できるように、各混乱したサンプルに割り当てられる。
私たちの興味深い発見は、密集した視覚タスクにおけるVC学習の利用に注目しています。
論文 参考訳(メタデータ) (2023-12-02T16:23:52Z) - When Measures are Unreliable: Imperceptible Adversarial Perturbations
toward Top-$k$ Multi-Label Learning [83.8758881342346]
新しい損失関数は、視覚的および測定的不受容性を両立できる敵の摂動を生成するために考案された。
大規模ベンチマークデータセットを用いた実験により,提案手法が最上位の$kのマルチラベルシステムを攻撃する際の優位性を実証した。
論文 参考訳(メタデータ) (2023-07-27T13:18:47Z) - Ambiguity-Resistant Semi-Supervised Learning for Dense Object Detection [98.66771688028426]
本研究では,一段階検出器のためのAmbiguity-Resistant Semi-supervised Learning (ARSL)を提案する。
擬似ラベルの分類とローカライズ品質を定量化するために,JCE(Joint-Confidence Estimation)を提案する。
ARSLは、曖昧さを効果的に軽減し、MS COCOおよびPASCALVOC上で最先端のSSOD性能を達成する。
論文 参考訳(メタデータ) (2023-03-27T07:46:58Z) - Complementary Labels Learning with Augmented Classes [22.460256396941528]
補完ラベル学習 (Complementary Labels Learning, CLL) は、プライベート質問分類やオンライン学習など、現実世界の多くのタスクに現れる。
CLLAC(Complementary Labels Learning with Augmented Classs)と呼ばれる新しい問題設定を提案する。
ラベルのないデータを用いて,CLLACの分類リスクの偏りのない推定手法を提案する。
論文 参考訳(メタデータ) (2022-11-19T13:55:27Z) - Hierarchical Semi-Supervised Contrastive Learning for
Contamination-Resistant Anomaly Detection [81.07346419422605]
異常検出は、通常のデータ分布から逸脱したサンプルを特定することを目的としている。
コントラスト学習は、異常の効果的な識別を可能にする表現のサンプル化に成功している。
汚染耐性異常検出のための新しい階層型半教師付きコントラスト学習フレームワークを提案する。
論文 参考訳(メタデータ) (2022-07-24T18:49:26Z) - Behind the Scenes: An Exploration of Trigger Biases Problem in Few-Shot
Event Classification [24.598938900747186]
FSEC(Few-Shot Event Classification)は、アノテーション付きデータに制限のある新しいイベントタイプに一般化可能な、イベント予測モデルの開発を目標としている。
既存のFSECモデルは、トリガーワードとターゲットイベントタイプの間の統計的均一性を示すトリガーバイアスに悩まされている。
FSECモデルにおけるコンテキストバイパス問題に対処するために、敵の訓練とトリガー再構成技術を導入する。
論文 参考訳(メタデータ) (2021-08-29T13:46:42Z) - Few-Shot Fine-Grained Action Recognition via Bidirectional Attention and
Contrastive Meta-Learning [51.03781020616402]
現実世界のアプリケーションで特定のアクション理解の需要が高まっているため、きめ細かいアクション認識が注目を集めている。
そこで本研究では,各クラスに付与されるサンプル数だけを用いて,新規なきめ細かい動作を認識することを目的とした,数発のきめ細かな動作認識問題を提案する。
粒度の粗い動作では進展があったが、既存の数発の認識手法では、粒度の細かい動作を扱う2つの問題に遭遇する。
論文 参考訳(メタデータ) (2021-08-15T02:21:01Z) - Few-shot Action Recognition with Prototype-centered Attentive Learning [88.10852114988829]
2つの新しい構成要素からなるプロトタイプ中心型注意学習(pal)モデル。
まず,従来のクエリ中心学習目標を補完するために,プロトタイプ中心のコントラスト学習損失を導入する。
第二に、PALは注意深いハイブリッド学習機構を統合しており、アウトレーヤの負の影響を最小限に抑えることができる。
論文 参考訳(メタデータ) (2021-01-20T11:48:12Z)
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。