Détection d'événements à partir de peu d'exemples par seuillage dynamique
Aboubacar Tuo, Romaric Besançon, Olivier Ferret, Julien Tourille
Résumé : Les études récentes abordent la détection d'événements à partir de peu de données comme une tâche d'annotation de séquences en utilisant des réseaux prototypiques. Dans ce contexte, elles classifient chaque mot d'une phrase donnée en fonction de leurs similarités avec des prototypes construits pour chaque type d'événement et pour la classe nulle "non-événement". Cependant, le prototype de la classe nulle agrège par définition un ensemble de mots sémantiquement hétérogènes, ce qui nuit à la discrimination entre les mots déclencheurs et non déclencheurs. Dans cet article, nous abordons ce problème en traitant la détection des mots non-déclencheurs comme un problème de détection d'exemples "hors-domaine" et proposons une méthode pour fixer dynamiquement un seuil de similarité pour cette détection.
Mots clés : Détection d'événements à partir de peu d'exemples, Méta apprentissage, Réseaux prototypiques