論文の概要: MsPrompt: Multi-step Prompt Learning for Debiasing Few-shot Event Detection

• arxiv url: http://arxiv.org/abs/2305.09335v1
• Date: Tue, 16 May 2023 10:19:12 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-17 15:15:56.670055
• Title: MsPrompt: Multi-step Prompt Learning for Debiasing Few-shot Event Detection
• Title（参考訳）: msprompt: 複数ステップのプロンプト学習による最小ショットイベント検出
• Authors: Siyuan Wang, Jianming Zheng, Xuejun Hu, Fei Cai, Chengyu Song, Xueshan Luo
• Abstract要約: イベント検出(ED)は、構造化されていないテキストでキートリガーワードを特定し、それに従ってイベントタイプを予測することを目的としている。 従来のEDモデルは、ラベル付きデータが不足している実際のアプリケーションに対応するには、データ不足が多すぎる。 本稿では,複数ステップのプロンプト学習モデル(MsPrompt)を提案する。
• 参考スコア（独自算出の注目度）: 16.98619925632727
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Event detection (ED) is aimed to identify the key trigger words in unstructured text and predict the event types accordingly. Traditional ED models are too data-hungry to accommodate real applications with scarce labeled data. Besides, typical ED models are facing the context-bypassing and disabled generalization issues caused by the trigger bias stemming from ED datasets. Therefore, we focus on the true few-shot paradigm to satisfy the low-resource scenarios. In particular, we propose a multi-step prompt learning model (MsPrompt) for debiasing few-shot event detection, that consists of the following three components: an under-sampling module targeting to construct a novel training set that accommodates the true few-shot setting, a multi-step prompt module equipped with a knowledge-enhanced ontology to leverage the event semantics and latent prior knowledge in the PLMs sufficiently for tackling the context-bypassing problem, and a prototypical module compensating for the weakness of classifying events with sparse data and boost the generalization performance. Experiments on two public datasets ACE-2005 and FewEvent show that MsPrompt can outperform the state-of-the-art models, especially in the strict low-resource scenarios reporting 11.43% improvement in terms of weighted F1-score against the best-performing baseline and achieving an outstanding debiasing performance.
• Abstract（参考訳）: イベント検出(ed)は、構造化されていないテキスト中のキートリガワードを識別し、イベントタイプを予測することを目的としている。 従来のEDモデルは、ラベル付きデータの少ない実際のアプリケーションに対応するには、あまりにもデータ不足である。 さらに、典型的なEDモデルは、EDデータセットから生じるトリガーバイアスに起因するコンテキストバイパスと無効な一般化問題に直面している。 したがって、低リソースシナリオを満たすために、真のマイナショットパラダイムに焦点を合わせます。 In particular, we propose a multi-step prompt learning model (MsPrompt) for debiasing few-shot event detection, that consists of the following three components: an under-sampling module targeting to construct a novel training set that accommodates the true few-shot setting, a multi-step prompt module equipped with a knowledge-enhanced ontology to leverage the event semantics and latent prior knowledge in the PLMs sufficiently for tackling the context-bypassing problem, and a prototypical module compensating for the weakness of classifying events with sparse data and boost the generalization performance. ace-2005 と fewevent の2つの公開データセットでの実験では、msprompt は最先端モデルよりも優れており、特に厳格な低リソースシナリオでは、最もパフォーマンスの高いベースラインに対して重み付けされた f1-score が11.43%改善され、優れたデバイアス性能を達成している。

関連論文リスト

• Beyond Single-Event Extraction: Towards Efficient Document-Level Multi-Event Argument Extraction [19.51890490853855]
  複数項目の引数抽出モデルDEEIAを提案する。 ドキュメント内のすべてのイベントから引数を同時に抽出することができる。 提案手法は,4つの公開データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-05-03T07:04:35Z)
• Boosting Event Extraction with Denoised Structure-to-Text Augmentation [52.21703002404442]
  イベント抽出は、テキストから事前に定義されたイベントトリガと引数を認識することを目的としている。 最近のデータ拡張手法は文法的誤りの問題を無視することが多い。 本稿では,イベント抽出DAEEのための記述構造からテキストへの拡張フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-05-16T16:52:07Z)
• Abnormal Event Detection via Hypergraph Contrastive Learning [54.80429341415227]
  異常事象検出は多くの実アプリケーションにおいて重要な役割を果たす。 本稿では,分散異種情報ネットワークにおける異常事象検出問題について検討する。 AEHCLと呼ばれる新しいハイパーグラフコントラスト学習法が,異常事象のパターンをフルに捉えるために提案されている。
  論文  参考訳（メタデータ） (2023-04-02T08:23:20Z)
• HCL-TAT: A Hybrid Contrastive Learning Method for Few-shot Event Detection with Task-Adaptive Threshold [18.165302114575212]
  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。
  論文  参考訳（メタデータ） (2022-10-17T07:37:38Z)
• Trigger-free Event Detection via Derangement Reading Comprehension [4.728684358207039]
  イベント検出は、テキストからイベントを検出し、それらを分類することを目的としている。 本稿では,機械読み取り(DRC)フレームワーク上での分散機構によるトリガフリーED手法を提案する。 提案するトリガフリーEDモデルは,主流のトリガベースモデルと極めて競合することを示す。
  論文  参考訳（メタデータ） (2022-08-20T11:01:39Z)
• 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)
• Robust Event Classification Using Imperfect Real-world PMU Data [58.26737360525643]
  本研究では,不完全な実世界のファサー計測単位(PMU)データを用いて,ロバストな事象分類について検討する。 我々は、堅牢なイベント分類器を訓練するための新しい機械学習フレームワークを開発する。
  論文  参考訳（メタデータ） (2021-10-19T17:41:43Z)
• 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)
• Adaptive Knowledge-Enhanced Bayesian Meta-Learning for Few-shot Event Detection [34.0901494858203]
  イベント検出(ED)は、文中のイベントトリガーワードを検出し、それらを特定のイベントタイプに分類することを目的としている。 本稿では,外部イベント知識を導入するために,定義に基づくエンコーダを用いた知識ベース少ショットイベント検出手法を提案する。 実験により、我々の手法は、少なくとも15個の絶対F1点の基準線を連続的に、実質的に上回っていることが示された。
  論文  参考訳（メタデータ） (2021-05-20T04:26:26Z)
• Detecting Ongoing Events Using Contextual Word and Sentence Embeddings [110.83289076967895]
  本稿では,OED(Ongoing Event Detection)タスクを紹介する。 目的は、歴史、未来、仮説、あるいは新しいものでも現在のものでもない他の形式や出来事に対してのみ、進行中のイベントの言及を検出することである。 構造化されていないテキストから進行中のイベントに関する構造化情報を抽出する必要があるアプリケーションは、OEDシステムを利用することができる。
  論文  参考訳（メタデータ） (2020-07-02T20:44:05Z)

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。