論文の概要: Continual Few-shot Event Detection via Hierarchical Augmentation Networks

• arxiv url: http://arxiv.org/abs/2403.17733v1
• Date: Tue, 26 Mar 2024 14:20:42 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-27 15:08:05.666083
• Title: Continual Few-shot Event Detection via Hierarchical Augmentation Networks
• Title（参考訳）: 階層的拡張ネットワークによる連続的なイベント検出
• Authors: Chenlong Zhang, Pengfei Cao, Yubo Chen, Kang Liu, Zhiqiang Zhang, Mengshu Sun, Jun Zhao,
• Abstract要約: ラベル付きサンプルのかなりの数がアクセスできない場合、より一般的に発生するシナリオである連続的数ショットイベント検出(CFED)を導入する。 CFEDタスクは、過去のイベントタイプを記憶し、数ショットのサンプルで新しいイベントタイプを学ぶため、難しい。 本手法は,複数の連発イベント検出タスクにおいて,これらの手法を著しく上回っている。
• 参考スコア（独自算出の注目度）: 21.574099641753055
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traditional continual event detection relies on abundant labeled data for training, which is often impractical to obtain in real-world applications. In this paper, we introduce continual few-shot event detection (CFED), a more commonly encountered scenario when a substantial number of labeled samples are not accessible. The CFED task is challenging as it involves memorizing previous event types and learning new event types with few-shot samples. To mitigate these challenges, we propose a memory-based framework: Hierarchical Augmentation Networks (HANet). To memorize previous event types with limited memory, we incorporate prototypical augmentation into the memory set. For the issue of learning new event types in few-shot scenarios, we propose a contrastive augmentation module for token representations. Despite comparing with previous state-of-the-art methods, we also conduct comparisons with ChatGPT. Experiment results demonstrate that our method significantly outperforms all of these methods in multiple continual few-shot event detection tasks.
• Abstract（参考訳）: 従来の連続イベント検出は、トレーニングのために豊富なラベル付きデータに依存しており、現実のアプリケーションでは入手できないことが多い。 本稿では,大量のラベル付きサンプルがアクセスできない場合の,より一般的なシナリオである連続的数ショットイベント検出(CFED)を紹介する。 CFEDタスクは、過去のイベントタイプを記憶し、数ショットのサンプルで新しいイベントタイプを学ぶため、難しい。 これらの課題を軽減するため,階層型拡張ネットワーク(HANet)というメモリベースのフレームワークを提案する。 メモリに制限のあるイベントタイプを記憶するために,メモリセットにプロトタイプ拡張を組み込む。 数ショットシナリオで新しいイベントタイプを学習する際の問題として、トークン表現のための対照的な拡張モジュールを提案する。 従来の最先端手法と比較しても,ChatGPTとの比較を行う。 実験結果から,本手法は複数の連発イベント検出タスクにおいて,これらの手法を著しく上回っていることが明らかとなった。

関連論文リスト

• Double Mixture: Towards Continual Event Detection from Speech [60.33088725100812]
  音声イベント検出は、セマンティックイベントと音響イベントの両方のタグ付けを含むマルチメディア検索に不可欠である。 本稿では, 音声イベント検出における主な課題として, 過去の出来事を忘れることなく新たな事象を連続的に統合すること, 音響イベントからの意味のゆがみについて述べる。 本稿では,適応性を向上し,忘れることを防止するために,音声の専門知識と堅牢な記憶機構を融合する新しい手法「ダブルミキチャー」を提案する。
  論文  参考訳（メタデータ） (2024-04-20T06:32:00Z)
• 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)
• Unifying Event Detection and Captioning as Sequence Generation via Pre-Training [53.613265415703815]
  本稿では,イベント検出とキャプションのタスク間関連性を高めるための,事前学習と微調整の統合フレームワークを提案する。 我々のモデルは最先端の手法よりも優れており、大規模ビデオテキストデータによる事前学習ではさらに向上できる。
  論文  参考訳（メタデータ） (2022-07-18T14:18:13Z)
• Incremental Prompting: Episodic Memory Prompt for Lifelong Event Detection [41.74511506187945]
  Lifelongイベント検出は、新しいイベントタイプとデータでモデルを漸進的に更新することを目的としている。 重要な課題の1つは、新しいデータで継続的にトレーニングされたとき、モデルは破滅的に古い型を忘れてしまうことである。 本稿では,EMP(Episodic Memory Prompts)を導入し,学習したタスク固有の知識を明示的に保存する。
  論文  参考訳（メタデータ） (2022-04-15T00:21:31Z)
• 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)
• 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。