【实验分析参考】Self-regulation: Employing a Generative Adversarial Network to Improve Event Detection

实验参数设置和数据集

数据集：ACE2005

选取了可以与之前的工作进行比较的训练集、开发集、测试集.

超参数设置

• word embedding size：300
• 预训练词向量：用skip-gram在NYT上训练(Follow Chen et al. 2015 and Feng et al. 2016)
• 实体类embedding size:50（Follow (Nguyen et al., 2016; Feng et al., 2016; Liu et al., 2017b）
• dropout：0.2（Follow Feng et al. 2016）
• 系数λ 0.1+3
• 学习率 0.3
• L2范数 0

对比模型

• 最小监督方法（1个）
• 基于特征的方法（3个）
• 基于神经网络的方法（CNN、RNN和融合）

实验结果和解释

评价度量：准确率、召回率、F1
对比前人工作时用他们公布的最佳运行结果

• 识别触发器实验
• 事件分类实验

分析：适应性、鲁棒性和有效性

分别使用ACE 2005语料库和TAC-KBP 2015事件语料库进行了两组领域适应实验
将ACE2005中的bn和nw的联合作为源域，bc、cts和wl作为三个不同的目标域（Follow Nguyen and Grishman，2014，2015；Plack and Moschitti，2013）
使用TAC KBP中NW和DF的一个作为源域，而另一个作为目标域（Follow Peng et al. 2016）
引用所对比模型获得的最佳性能

【实验分析参考】Self-regulation: Employing a Generative Adversarial Network to Improve Event Detection

原文：https://www.cnblogs.com/kisetsu/p/11898808.html