Continual Few-shot Event Detection via Hierarchical Augmentation Networks

要約

従来の継続的なイベント検出は、トレーニング用の豊富なラベル付きデータに依存していますが、現実世界のアプリケーションで取得するのは非現実的であることがよくあります。
このペーパーでは、相当数のラベル付きサンプルにアクセスできない場合に、より一般的に遭遇するシナリオである連続少数ショット イベント検出 (CFED) を紹介します。
CFED タスクは、以前のイベント 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 タイプを学習する必要があるため、困難です。
これらの課題を軽減するために、メモリベースのフレームワークである階層拡張ネットワーク (HANet) を提案します。
限られたメモリで以前のイベント タイプを記憶するために、プロトタイプの拡張をメモリ セットに組み込みます。
数ショットのシナリオで新しいイベント タイプを学習するという問題に対して、トークン表現の対照的な拡張モジュールを提案します。
従来の最先端手法との比較に加え、ChatGPTとの比較も行っております。
実験結果は、複数の継続的な少数ショットイベント検出タスクにおいて、私たちの方法がこれらすべての方法よりも大幅に優れていることを示しています。

要約(オリジナル)

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.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google