Lifelong Event Detection via Optimal Transport

要約

継続的イベント検出 (CED) は、新しいタスク (新たに登場するイベント タイプ) を学習すると、以前のタスクのパフォーマンスが妨げられるという壊滅的な忘却現象により、手ごわい課題を引き起こします。
このペーパーでは、最適トランスポート原理を利用して分類モジュールの最適化を、事前トレーニング済みの言語モデリングで定義されている各クラスの本質的な性質に合わせて調整する新しいアプローチである、最適トランスポートによる生涯イベント検出 (LEDOT) を紹介します。
。
私たちの手法は、リプレイ セット、プロトタイプの潜在表現、革新的な最適トランスポート コンポーネントを統合しています。
MAVEN および ACE データセットに対する広範な実験により、LEDOT の優れたパフォーマンスが実証され、常に最先端のベースラインを上回っています。
この結果は、LEDOT が継続的なイベント検出における先駆的なソリューションであり、進化する環境における壊滅的な物忘れに対処するためのより効果的かつ微妙なアプローチを提供することを強調しています。

要約(オリジナル)

Continual Event Detection (CED) poses a formidable challenge due to the catastrophic forgetting phenomenon, where learning new tasks (with new coming event types) hampers performance on previous ones. In this paper, we introduce a novel approach, Lifelong Event Detection via Optimal Transport (LEDOT), that leverages optimal transport principles to align the optimization of our classification module with the intrinsic nature of each class, as defined by their pre-trained language modeling. Our method integrates replay sets, prototype latent representations, and an innovative Optimal Transport component. Extensive experiments on MAVEN and ACE datasets demonstrate LEDOT’s superior performance, consistently outperforming state-of-the-art baselines. The results underscore LEDOT as a pioneering solution in continual event detection, offering a more effective and nuanced approach to addressing catastrophic forgetting in evolving environments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google