論文題目： Meta-Learning with Dynamic-Memory-Based Prototypical Network for Few-Shot Event Detection
摘要： 事件檢測(Event detection, ED)是事件抽取的一個子任務，包括識別觸發器和對事件提及進行分類。現有的方法主要依賴于監督學習，并且需要大規模的帶標記的事件數據集，不幸的是，這些數據集在許多實際的應用場景中并不容易獲得。在本文中，我們將在有限標記數據條件下的ED任務考慮為一個小概率學習問題。提出了一種基于動態記憶的原型網絡(DMB-PN)，該網絡利用動態記憶網絡(DMN)不僅能更好地學習事件類型的原型，而且能對事件提及產生更健壯的句子編碼。與傳統的通過平均計算事件原型的網絡不同，我們的模型更健壯，并且由于DMNs的多跳機制，能夠多次從事件提及中提取上下文信息。實驗結果表明，DMB-PN不僅比一系列基線模型更能有效地處理樣本稀缺問題，而且在事件類型變化較大、實例數量極少時表現得更為穩健。
作者： Shumin Deng, Ningyu Zhang, Jiaojian Kang, Yichi Zhang, Wei Zhang, Huajun Chen
付費5元查看完整內容
相關內容
當對一系列學習問題進行優化時，卷積神經網絡會經歷災難性的遺忘:當滿足當前訓練示例的目標時，它們在以前任務中的性能會急劇下降。在這項工作中，我們介紹了一個基于條件計算的新的框架來解決這個問題。
付費5元查看完整內容
題目： MEMORY-BASED GRAPH NETWORKS
摘 要:
圖神經網絡是一類對任意拓撲結構的數據進行操作的深度模型。我們為GNNs引入了一個有效的記憶層，它可以聯合學習節點表示并對圖進行粗化。在此基礎上，我們還引入了兩個新的網絡:基于記憶的GNN (MemGNN)和可以學習層次圖表示的圖存儲網絡(GMN)。實驗結果表明，所提出的模型在9個圖分類和回歸基準中有8個達到了最新的結果。我們也證明了這些表示學習可以對應于分子數據中的化學特征。
付費5元查看完整內容
論文題目： Meta-GNN: On Few-shot Node Classification in Graph Meta-learning
摘要： 元學習作為一種模仿人類智能的可能方法，近來受到了極大的關注，即，學習新的知識和技能。現有的元學習方法多用于解決圖像、文本等少數樣本的學習問題，在歐幾里得域比較常見。然而，將元學習應用于非歐幾里得域的研究工作非常少，最近提出的圖神經網絡(GNNs)模型在處理圖少樣本學習問題時表現不佳。為此，我們提出了一種新的圖元學習框架——元GNN，以解決圖元學習環境中節點分類問題。該算法通過對多個相似的少樣本學習任務進行訓練，獲得分類器的先驗知識，然后利用標記樣本數量較少的新類對節點進行分類。此外，Meta-GNN是一個通用模型，可以直接納入任何現有的最先進的GNN。我們在三個基準數據集上的實驗表明，我們的方法不僅在元學習范式中大大提高了節點分類性能，而且為任務適應提供了一個更通用、更靈活的模型。
論文作者： Fan Zhou, Chengtai Cao, Kunpeng Zhang, Goce Trajcevski, Ting Zhong, Ji Geng
付費5元查看完整內容
注冊地址： 北京市海淀區羊坊店路18號2幢3層301-191