Zespół badaczy opracował CLUE - framework uczenia kontrastywnego do automatycznego odkrywania typów zdarzeń i ich anotacji bez wsparcia człowieka. Tradycyjnie proces tworzenia ontologii zdarzeń wymagał ekspertów dziedzinowych, którzy definiowali wytyczne i nazwy typów zdarzeń - była to praca kosztowna, czasochłonna i podatna na bias.
Kluczowe innowacje podejścia obejmują trzy elementy. Po pierwsze, zespół zaprojektował nową wspólną reprezentację osadzania, która jednocześnie wyraża perspektywę czasownikową (kto/co robi) i semantyczną (co się dzieje) zdarzeń. Po drugie, zastosowali stratę kontrastywną do kierowania procesem grupowania i odkrywania naturalnych klastrów typów zdarzeń. Po trzecie, opracowali metodę automatycznego generowania nazw dla zidentyfikowanych typów i ich refinementu.
To podejście ma znaczące implikacje dla przetwarzania języka naturalnego. Eliminuje potrzebę manualnego tworzenia schematów anotacji, co jest szczególnie ważne dla nowych dziedzin lub języków, gdzie ekspertów jest niewielu. Automatyczne odkrywanie typów zdarzeń może przyspieszać budowę datasetów i zmniejszać koszty projektów NLP na dużą skalę. Kod dostępny publicznie na GitHubie umożliwia badaczom replikację wyników i rozbudowę tej pracy.