改进零样本事件检测的事件定义

该论文提出了一种零样本事件抽取方法，通过对比学习优化事件提及及其定义的嵌入距离，实验结果在MAVEN数据集上表现优异。

提出基于元学习的框架MetaEvent，支持零样本和少样本事件检测，实验证明在FewEvent和MAVEN基准数据集上实现最佳性能。

介绍了一种转移学习的神经架构，通过共享语义空间实现事件提取，支持零样本学习，效果与监督模型相当。

提出知识为基础的少样本事件检测方法，利用自适应知识增强贝叶斯元学习动态调整事件类型知识先验，实验结果显著优于多个基准线。

研究通过零样本学习自动检测视频中的事件，使用预先训练的概念分类器，实验表明优于传统方法。

开发统一框架结合特定于事件类型的提示符，实验结果显示在数据匮乏情况下显著提高事件检测性能。

通过比较10种方法，提出少样本事件检测模型的统一视图和基准，为未来研究提供有价值的见解。

提出阅读理解框架解决文本数据中的事件抽取问题，在少量数据上优化，取得优异表现。

将事件检测问题转化为少样本学习问题，利用匹配样本优化模型，在ACE-2005数据集上提升性能。

提出使用远程监督自动生成训练数据的方法，实验表明可以生成高质量训练数据并识别多种事件类型。