論文の概要: Entity-Enriched Neural Models for Clinical Question Answering

• arxiv url: http://arxiv.org/abs/2005.06587v2
• Date: Sat, 20 Feb 2021 00:50:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-03 09:56:55.386775
• Title: Entity-Enriched Neural Models for Clinical Question Answering
• Title（参考訳）: 臨床質問応答のためのエンティティ強化ニューラルモデル
• Authors: Bhanu Pratap Singh Rawat, Wei-Hung Weng, So Yeon Min, Preethi Raghavan, Peter Szolovits
• Abstract要約: 我々は,解答スパン検出の主課題とともに,補助課題として論理形式を予測することを学ぶ。 予測された論理形式は、答えの根拠としても機能する。 大規模なEmrQAデータセットでモデルをトレーニングし、マルチタスクのエンティティ強化モデルが、ベースラインのBERTモデルよりも5%よいパラフレーズの質問に一般化することを観察する。
• 参考スコア（独自算出の注目度）: 14.863695981827307
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We explore state-of-the-art neural models for question answering on electronic medical records and improve their ability to generalize better on previously unseen (paraphrased) questions at test time. We enable this by learning to predict logical forms as an auxiliary task along with the main task of answer span detection. The predicted logical forms also serve as a rationale for the answer. Further, we also incorporate medical entity information in these models via the ERNIE architecture. We train our models on the large-scale emrQA dataset and observe that our multi-task entity-enriched models generalize to paraphrased questions ~5% better than the baseline BERT model.
• Abstract（参考訳）: 電子カルテで質問応答を行うための最先端のニューラルモデルについて検討し,これまで見つからなかった(言い換えれば)質問をテスト時に一般化する能力を向上させる。 我々はこれを、解答スパン検出のメインタスクとともに補助タスクとして論理形式を予測することによって実現した。 予測された論理形式は、答えの根拠としても機能する。 さらに、ERNIEアーキテクチャを介して、これらのモデルに医療エンティティ情報も組み込む。 大規模なEmrQAデータセットでモデルをトレーニングし、マルチタスクのエンティティ強化モデルが、ベースラインのBERTモデルよりも約5%優れたパラフレーズ付き質問に一般化することを観察する。

関連論文リスト

• PathInsight: Instruction Tuning of Multimodal Datasets and Models for Intelligence Assisted Diagnosis in Histopathology [7.87900104748629]
  6つの異なるタスクをカバーする約45,000のケースのデータセットを慎重にコンパイルしました。 特にLLaVA, Qwen-VL, InternLMを微調整したマルチモーダル大規模モデルで, このデータセットを用いて命令ベースの性能を向上させる。
  論文  参考訳（メタデータ） (2024-08-13T17:05:06Z)
• Medical Vision-Language Pre-Training for Brain Abnormalities [96.1408455065347]
  本稿では,PubMedなどの公共リソースから,医用画像・テキスト・アライメントデータを自動的に収集する方法を示す。 特に,まず大きな脳画像テキストデータセットを収集することにより,事前学習プロセスの合理化を図るパイプラインを提案する。 また,医療領域におけるサブフィギュアをサブキャプションにマッピングするというユニークな課題についても検討した。
  論文  参考訳（メタデータ） (2024-04-27T05:03:42Z)
• Recent Advances in Predictive Modeling with Electronic Health Records [71.19967863320647]
  EHRデータを予測モデリングに利用すると、その特徴からいくつかの課題が生じる。 深層学習は、医療を含む様々な応用においてその優位性を示している。
  論文  参考訳（メタデータ） (2024-02-02T00:31:01Z)
• Foundational Models in Medical Imaging: A Comprehensive Survey and Future Vision [6.2847894163744105]
  ファンデーションモデルは、広範囲の下流タスクに適応した大規模で事前訓練されたディープラーニングモデルである。 これらのモデルは、コンテキスト推論、一般化、テスト時の迅速な機能を促進する。 コンピュータビジョンの進歩に乗じて、医療画像はこれらのモデルへの関心も高まっている。
  論文  参考訳（メタデータ） (2023-10-28T12:08:12Z)
• Using Weak Supervision and Data Augmentation in Question Answering [0.12499537119440242]
  新型コロナウイルス(COVID-19)のパンデミックの始まりは、タイムリーで病気固有の質問に答えるために、バイオメディカル文献へのアクセスの必要性を強調した。 我々は、深層ニューラルネットワークQAモデルのトレーニングにおいて、弱い監視とデータ拡張が果たす役割について検討する。 システムの中核部におけるQAモデルのコンテキストにおける手法の評価を行い、COVID-19に関する質問に答える。
  論文  参考訳（メタデータ） (2023-09-28T05:16:51Z)
• QUADRo: Dataset and Models for QUestion-Answer Database Retrieval [97.84448420852854]
  質問/回答(q/a)ペアのデータベース(DB)が与えられた場合、同じ質問に対してDBをスキャンすることで、対象の質問に答えることができる。 我々は6.3Mのq/aペアからなる大規模DBを構築し、公開質問を用いて、ニューラルIRとq/aペアリランカに基づく新しいシステムを設計する。 我々は、Bing検索エンジン上に構築されたQAシステムという、Webベースの手法とDBベースのアプローチが競合することを示す。
  論文  参考訳（メタデータ） (2023-03-30T00:42:07Z)
• EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
  本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。 メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
  論文  参考訳（メタデータ） (2022-02-21T18:59:03Z)
• Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
  被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。 グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。 まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
  論文  参考訳（メタデータ） (2020-06-11T17:29:53Z)
• Rethinking Generalization of Neural Models: A Named Entity Recognition Case Study [81.11161697133095]
  NERタスクをテストベッドとして、異なる視点から既存モデルの一般化挙動を分析する。 詳細な分析による実験は、既存のニューラルNERモデルのボトルネックを診断する。 本論文の副産物として,最近のNER論文の包括的要約を含むプロジェクトをオープンソース化した。
  論文  参考訳（メタデータ） (2020-01-12T04:33:53Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。