論文の概要: A Data-driven Approach for Noise Reduction in Distantly Supervised Biomedical Relation Extraction

• arxiv url: http://arxiv.org/abs/2005.12565v1
• Date: Tue, 26 May 2020 08:15:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-28 23:31:50.082854
• Title: A Data-driven Approach for Noise Reduction in Distantly Supervised Biomedical Relation Extraction
• Title（参考訳）: 遠隔教師付き生物医学的関係抽出におけるノイズ低減のためのデータ駆動アプローチ
• Authors: Saadullah Amin, Katherine Ann Dunfield, Anna Vechkaeva and G\"unter Neumann
• Abstract要約: エンティティ強化関係分類 BERT モデルを複数インスタンス学習の問題に拡張する。 ノイズを著しく低減する単純なデータ符号化方式を定義する。 提案手法はさらに,関係学習の方向性に関する知識を符号化し,関係学習に焦点をあてることを可能にした。
• 参考スコア（独自算出の注目度）: 2.771933807499954
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Fact triples are a common form of structured knowledge used within the biomedical domain. As the amount of unstructured scientific texts continues to grow, manual annotation of these texts for the task of relation extraction becomes increasingly expensive. Distant supervision offers a viable approach to combat this by quickly producing large amounts of labeled, but considerably noisy, data. We aim to reduce such noise by extending an entity-enriched relation classification BERT model to the problem of multiple instance learning, and defining a simple data encoding scheme that significantly reduces noise, reaching state-of-the-art performance for distantly-supervised biomedical relation extraction. Our approach further encodes knowledge about the direction of relation triples, allowing for increased focus on relation learning by reducing noise and alleviating the need for joint learning with knowledge graph completion.
• Abstract（参考訳）: ファクトトリプル(英: fact triples)は、生物医学領域で使用される構造的知識の共通形態である。 構造化されていない学術テキストの量は増え続けており、関係抽出作業のための手作業による注釈がますます高価になる。 遠隔監視は、大量のラベル付き、しかしかなり騒がしいデータを迅速に生成することで、これに対処するための有効なアプローチを提供する。 本稿では,エンティティエンリッチな関係分類bertモデルを複数インスタンス学習問題に拡張し,ノイズを著しく低減する簡易なデータ符号化方式を定義し,遠隔教師付き生体医学的関係抽出のための最先端性能の実現を目指す。 提案手法はさらに,関係三重項の方向性に関する知識をエンコードし,ノイズを低減し,知識グラフ完成を伴う共同学習の必要性を軽減することにより,関係学習への焦点を増す。

関連論文リスト

• Learning to Denoise Biomedical Knowledge Graph for Robust Molecular Interaction Prediction [50.7901190642594]
  分子間相互作用予測のためのバイオKDN (Biomedical Knowledge Graph Denoising Network) を提案する。 BioKDNは、ノイズの多いリンクを学習可能な方法で識別することで、局所的な部分グラフの信頼性の高い構造を洗練する。 ターゲットの相互作用に関する関係を円滑にすることで、一貫性とロバストなセマンティクスを維持する。
  論文  参考訳（メタデータ） (2023-12-09T07:08:00Z)
• Sentence Bag Graph Formulation for Biomedical Distant Supervision Relation Extraction [13.173870222632454]
  本稿では、エンティティペアを参照する文袋のグラフビューを提案し、エンティティペアに関連する情報のメッセージパスに基づくアグリゲーションを可能にする。 提案手法は,遠隔教師付き関係抽出におけるノイズラベリングの一般的な問題を緩和し,バッグ内に文間の依存性を効果的に組み込む。
  論文  参考訳（メタデータ） (2023-10-29T05:48:04Z)
• ReOnto: A Neuro-Symbolic Approach for Biomedical Relation Extraction [3.263873198567265]
  ReOnto Relation extract (RE)は、文中のエンティティ間の意味関係を抽出し、語彙で定義された関係に整合させるタスクである。 本稿では,REタスクに神経記号的知識を活用する新しい手法を提案する。 BioRel と ADE の2つの公開バイオメディカルデータセットによる実験結果から,本手法がすべての基準値を上回っていることが確認された。
  論文  参考訳（メタデータ） (2023-09-04T05:36:58Z)
• Boosting Event Extraction with Denoised Structure-to-Text Augmentation [52.21703002404442]
  イベント抽出は、テキストから事前に定義されたイベントトリガと引数を認識することを目的としている。 最近のデータ拡張手法は文法的誤りの問題を無視することが多い。 本稿では,イベント抽出DAEEのための記述構造からテキストへの拡張フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-05-16T16:52:07Z)
• Enhancing Contrastive Learning with Noise-Guided Attack: Towards Continual Relation Extraction in the Wild [57.468184469589744]
  我々はtextbfContrative textbfLearning(NaCL) における textbfNoise-guided textbf attack という名前の耐雑音性コントラストフレームワークを開発する。 直接雑音除去や到達不能雑音回避と比較して,攻撃により与えられた雑音ラベルに一致するように特徴空間を変更する。
  論文  参考訳（メタデータ） (2023-05-11T18:48:18Z)
• Dynamic Graph Enhanced Contrastive Learning for Chest X-ray Report Generation [92.73584302508907]
  コントラスト学習を用いた医療レポート作成を支援するために,動的構造とノードを持つ知識グラフを提案する。 詳しくは、グラフの基本構造は一般知識から事前構築される。 各イメージ機能は、レポート生成のためにデコーダモジュールに入力する前に、独自の更新グラフに統合される。
  論文  参考訳（メタデータ） (2023-03-18T03:53:43Z)
• BioIE: Biomedical Information Extraction with Multi-head Attention Enhanced Graph Convolutional Network [9.227487525657901]
  本稿では,バイオメディカルテキストと非構造化医療報告から関係を抽出するハイブリッドニューラルネットワークであるバイオメディカル情報抽出を提案する。 本研究は,2つの主要な生医学的関係抽出タスク,化学物質とタンパク質の相互作用,およびクロスホスピタル・パン・カンノロジー報告コーパスについて検討した。
  論文  参考訳（メタデータ） (2021-10-26T13:19:28Z)
• SAIS: Supervising and Augmenting Intermediate Steps for Document-Level Relation Extraction [51.27558374091491]
  本稿では,関係抽出のための中間ステップ(SAIS)を監督し,拡張することにより,関連コンテキストやエンティティタイプをキャプチャするモデルを明示的に教えることを提案する。 そこで本提案手法は,より効果的な管理を行うため,より優れた品質の関係を抽出するだけでなく,それに対応する証拠をより正確に抽出する。
  論文  参考訳（メタデータ） (2021-09-24T17:37:35Z)
• Modular Self-Supervision for Document-Level Relation Extraction [17.039775384229355]
  本稿では,文書レベルの関係抽出を関係検出と議論解決に分解する手法を提案する。 バイオメディカル・マシン・リーダーの精度オンコロジーにおいて,クロスパラグラフ関係の言及が一般的である点を徹底的に評価する。 提案手法は,マルチスケール学習やグラフニューラルネットワークなど,従来の技術よりも20以上の絶対的なF1点を達成している。
  論文  参考訳（メタデータ） (2021-09-11T20:09:18Z)
• Learning Neural Causal Models with Active Interventions [83.44636110899742]
  本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。 本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。 シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2021-09-06T13:10:37Z)
• Relation Extraction from Biomedical and Clinical Text: Unified Multitask Learning Framework [41.4339656250053]
  薬物・薬物相互作用,タンパク質・タンパク質相互作用,医療概念関連抽出の3つの主要なバイオメディカル・臨床課題から,関係抽出タスクについて検討した。 バイオメディカルテキストと臨床テキストから関係を予測するための逆学習アプローチを補完する構造的自己注意ネットワークの概念を初めて紹介する。
  論文  参考訳（メタデータ） (2020-09-20T19:50:28Z)

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。