基于层次化增强网络的持续少样本事件检测
计算与语言
2024-03-27 v1
摘要
传统的持续事件检测依赖于大量标记数据进行训练，这在现实应用中往往难以获得。本文引入持续少样本事件检测（CFED），这是更常见的场景，当大量标记样本不可获得时。CFED 任务具有挑战性，因为它涉及记忆先前的事件类型以及以少量样本学习新事件类型的能力。为缓解这些挑战，我们提出了基于记忆的框架：层次化增强网络（HANet）。为了在有限记忆中记忆先前的事件类型，我们将原型增强纳入记忆集合。对于在少样本场景中学习新事件类型的难题，我们提出了用于标记表示的对比度增强模块。尽管与以前的状态-of-the-art 方法进行比较，我们也与 ChatGPT 进行了比较。实验结果表明，我们的方法在多个持续少样本事件检测任务中均显著优于所有这些方法。
引用
@article{arxiv.2403.17733,
title = {Continual Few-shot Event Detection via Hierarchical Augmentation Networks},
author = {Chenlong Zhang and Pengfei Cao and Yubo Chen and Kang Liu and Zhiqiang Zhang and Mengshu Sun and Jun Zhao},
journal= {arXiv preprint arXiv:2403.17733},
year = {2024}
}
备注
Accepted to LREC-COLING 2024