論文中指出，以往關(guān)于ED的工作都是考慮如何提升模型的性能，而較少考慮模型的魯棒性和泛化能力，作者將模型的魯棒性和泛化能力定義為如下三條，并通過設(shè)計模型進行研究：

抗攻擊性能:當(dāng)訓(xùn)練數(shù)據(jù)中被加入擾動，會如何影響模型性能；

新類型的預(yù)測:模型能否預(yù)測出訓(xùn)練集中未見過的事件類型；

事件類型的模糊性: 根據(jù)統(tǒng)計，70%的事件觸發(fā)詞能夠觸發(fā)不同類型的事件，如何正確識別出這些模糊性觸發(fā)詞在各自上下文中所觸發(fā)的具體事件類型。

基于以上問題，作者提出一種新的學(xué)習(xí)方式，主要包括一下兩部分:

Contextselective discriminative learning: 根據(jù)句子內(nèi)部的不同words的重要性得到trigger的上下文表示，目標(biāo)是基于trigger的上下文表示預(yù)測句子中被mask的trigger的事件類型。

Contextualized similarity learning：基于"相同類型的事件觸發(fā)詞應(yīng)當(dāng)具有相似上下文"的假設(shè)，以mask-contraining的句子對為輸入，如何輸入中的兩個句子表達的是同一事件類型，則訓(xùn)練目標(biāo)是使他們的masked triggers具有語義相近的上下文表示。

作者分別將本文的模型與以往的SOTA模型進行了對比實驗，證明了本文模型能較好地應(yīng)對對抗攻擊、未知類型預(yù)測和事件模糊性區(qū)分的問題。

原文標(biāo)題：【每日一讀】EMNLP2020：如何提高事件檢測(ED)模型的魯棒性和泛化能力？

文章出處：【微信公眾號：深度學(xué)習(xí)自然語言處理】歡迎添加關(guān)注！文章轉(zhuǎn)載請注明出處。

責(zé)任編輯：haq