论文笔记：Trigger-Argument based Explanation for Event Detection

事件抽取（Event Extraction） 一、事件抽取分两大类 事件识别和抽取 从描述事件信息的文本中识别并抽取出事件信息并以结构化的形式呈现出来，包括发生的时间、地点、参与角色以及与之相关的动作或者状态的改变。 事件检测和追踪 事件检测与追踪旨在将文本新闻流按照其报道的事件进行组织，为传统媒体多种来源的新闻监控提供核心技术，以便让用户了解新闻及其发展。具体而言，事件发现与跟踪包括三个主要任务：分割，发现和跟踪，将新闻文本分解为事件， 发现新的（不可预见的）事件，并跟踪以前报道事件的发展。 ​

随着新兴的在线话题成为众多新事件的源头，检测未见/罕见的事件类型对于现有的事件检测方法来说是一个难以克服的挑战，因为它们在训练时只能获得有限的数据访问权限。为了解决事件检测中的数据稀缺问题，我们提出了MetaEvent，这是一个基于元学习的零样本和少样本事件检测框架。具体而言，我们从现有的事件类型中采样训练任务，并执行元训练以快速适应未见任务搜索最佳参数。在我们的框架中，我们建议使用基于填空的任务提示和一种对触发器敏感的软词汇模型来有效地将输出投影到未见的事件类型上。

Event Detection without Triggers（腾讯、NAACL2019、源码&无数据集源码） 原文链接：原文链接 (1)背景 事件检测（Event detection）的目标是检测文本中是否含有事件并对其进行分类。传统的事件检测任务往往首先识别文本中的事件触发词（Event trigger），然后对触发词进行分类。这类任务需要预定义触发词字典并耗费大量时间对触发词进行标...

**Event Detection via Gated Multilingual Attention Mechanism Jian Liu（2018）** 本文的主要任务就是给定一个句子，能够识别出表达了什么事件，如例句：**In Baghdad, a cameraman **died when an American tank fired on the Palestine hotel 目标...

算法层面：并行式CNN-ViT架构结合门控融合，在NIH ChestX-ray14上达到SOTA性能工程层面：OpenVINO优化实现亚秒级边缘推理，DICOM集成确保无缝workflow临床层面：符合FDA/CE监管要求，77%报告时间缩短的临床价值验证代码实现涵盖模型训练、优化、部署和监控的全生命周期，可直接用于研究和生产环境。

论文地址：https://aclanthology.org/2021.findings-acl.142.pdf 论文来源：ACL 2021 Abstract 事件检测是信息抽取的一项基本任务。之前大多数方法通常将事件检测视为基于触发词的分类问题，聚焦于使用语法依赖结构或外部知识来提高分类性能。为了克服现有基于触发词分类 模型存在的问题，本文提出一种新的事件检测方法，将其描述为一个图解析问题，可以显式地对多个事件关联进行建模，并自然地利用事件类型和子类型传递的丰富信息。此外，为了解决数据稀疏问题，在不.

BLIP-2提出了一种视觉-语言预训练框架，通过冻结现成的图像编码器（如CLIP）和大语言模型，仅训练轻量级Querying Transformer来桥接模态鸿沟。

本文提出了一种基于深度强化学习的双臂机器人推抓协同策略，用于在密集杂乱环境中完成目标导向的抓取任务。针对单臂系统在高度杂乱场景中效率不足的问题，作者开发了一个分层DRL框架，通过预训练的深度学习骨干网络和定制CNN模型处理视觉输入，使用近端策略优化（PPO）训练双臂协同策略。创新点包括：1）自适应双臂推动动作生成方法，支持单/双路径灵活操作；2）6自由度抓取位姿输出，突破传统平面抓取限制；3）基于模糊逻辑的新型奖励函数设计，有效指导策略学习；4）在Isaac Gym中构建训练-测试双版本系统，实现仿真到现实

训练集中可能混入异常样本。为了解决传统方法过度相信训练集干净的问题，作者提出 SoftPatch，在构建 memory bank 之前先进行patch 级别去噪，并在推理阶段使用降低可疑训练 patch 对异常分数的影响。工业异常通常只占据图像中的一小块区域。例如划痕、污点、裂纹等缺陷往往是局部的。一张异常图像中大部分区域可能仍然是正常的；删除整张图会浪费大量正常 patch 信息。异常 patch 被删除；正常 patch 仍然可以被利用；数据利用率更高；对局部缺陷更友好。