Few-shot Incremental Event Detection

要約

タイトル： Few-shot Incremental Event Detection

要約：
– イベント検出は、テキストからイベントを素早く検出することができ、下流の自然言語処理タスクに強力なサポートを提供することができます。
– ほとんどの方法は、固定された事前定義されたイベントクラスのセットしか検出できません。
– 既存の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には、モデルを再学習する必要があり、コストがかかります。
– インクリメンタル学習は、この問題を効果的に解決できますが、新しいクラスの高品質なラベル付きデータが不足しているため、モデルのトレーニングに十分なデータを取得することが困難です。
– 上記の問題に対処するために、我々は few-shot incremental event detection という新しいタスクを定義し、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ることにしました。
– 我々は FewEvent に基づいて few-shot incremental event detection 用のベンチマークデータセット IFSED を作成し、IFSED-K と IFSED-KP の2つのベンチマークを提案します。
– 実験結果は、我々のアプローチがベースラインよりも高い F1スコアを持ち、より安定していることを示しています。

要約(オリジナル)

Event detection tasks can enable the quick detection of events from texts and provide powerful support for downstream natural language processing tasks. Most such methods can only detect a fixed set of predefined event classes. To extend them to detect a new class without losing the ability to detect old classes requires costly retraining of the model from scratch. Incremental learning can effectively solve this problem, but it requires abundant data of new classes. In practice, however, the lack of high-quality labeled data of new event classes makes it difficult to obtain enough data for model training. To address the above mentioned issues, we define a new task, few-shot incremental event detection, which focuses on learning to detect a new event class with limited data, while retaining the ability to detect old classes to the extent possible. We created a benchmark dataset IFSED for the few-shot incremental event detection task based on FewEvent and propose two benchmarks, IFSED-K and IFSED-KP. Experimental results show that our approach has a higher F1-score than baseline methods and is more stable.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI