摘要 : 小样本增量事件检测是在样本数量有限的情况下,从类增量数据流中持续学习新事件类型,其中不同事件类型的样本在不同时间到达,同时最大程度地保留检测旧类的能力.然而,现有的工作仍不能解决灾难性遗忘问题.针对灾难性遗忘问题,本文提出了融合知识的原型... 展开 小样本增量事件检测是在样本数量有限的情况下,从类增量数据流中持续学习新事件类型,其中不同事件类型的样本在不同时间到达,同时最大程度地保留检测旧类的能力.然而,现有的工作仍不能解决灾难性遗忘问题.针对灾难性遗忘问题,本文提出了融合知识的原型矫正方法和自适应增量蒸馏.具体来说,本文对外部知识和训练样本分别进行编码和融合,绘制每个原型样本,以减小计算原型与实际原型之间的误差,对原型进行矫正.自适应增量蒸馏引用了元学习的思想,在蒸馏过程中通过增量数据,使学生模型提供教学反馈,更新教师模型的教学方式,使旧知识更好地传递到学生模型中.本文使用上述方法解决了灾难性遗忘问题.在小样本增量事件检测数据集(Few-Shot Incremental Event Detection Task based on the Few Event Dataset,IFSED)上的实验结果表明,本文的方法在新类上的表现,F1分数提高1.98％,在所有训练轮次可见的旧类上的表现,F1分数平均提高4.24％,在小样本增量事件检测任务上达了最佳性能. 收起