面向少样本学习事件检测的广泛匹配方法
计算与语言
2020-06-19 v1
摘要
当前监督学习设置下的事件检测模型无法迁移到新事件类型。少样本学习(few-shot learning)在事件检测中尚未被探索，尽管它能使模型在新事件类型上以高泛化性表现良好。在本工作中，我们将事件检测形式化为一个少样本学习问题，以使事件检测可扩展到新事件类型。我们提出了两个新颖的损失因子，将支持集中的样本进行匹配，为模型提供更多训练信号。此外，这些训练信号可应用于许多基于度量的少样本学习模型。我们在ACE-2005数据集（少样本学习设置下）上的大量实验表明，所提方法能提升少样本学习的性能。
引用
@article{arxiv.2006.10093,
title = {Extensively Matching for Few-shot Learning Event Detection},
author = {Viet Dac Lai and Franck Dernoncourt and Thien Huu Nguyen},
journal= {arXiv preprint arXiv:2006.10093},
year = {2020}
}
备注
1st Joint Workshop on Narrative Understanding, Storylines, and Events (NUSE) @ ACL 2020