Fugu-MT 論文翻訳(概要): Integrating Logical Rules Into Neural Multi-Hop Reasoning for Drug Repurposing

論文の概要: Integrating Logical Rules Into Neural Multi-Hop Reasoning for Drug Repurposing

arxiv url: http://arxiv.org/abs/2007.05292v1
Date: Fri, 10 Jul 2020 10:32:08 GMT
ステータス: 処理完了
システム内更新日: 2022-11-11 20:47:34.828285
Title: Integrating Logical Rules Into Neural Multi-Hop Reasoning for Drug Repurposing
Title（参考訳）: 神経マルチホップ推論への論理ルールの統合による薬物再導入
Authors: Yushan Liu, Marcel Hildebrandt, Mitchell Joblin, Martin Ringsquandl, Volker Tresp
Abstract要約: 本稿では,これらのルールと強化学習を用いたニューラルマルチホップ推論手法を組み合わせた新しい手法を提案する。バイオメディカル知識グラフHetionetに本手法を適用し,本手法がいくつかのベースライン法より優れていることを示す。
参考スコア（独自算出の注目度）: 23.783111050856245
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The graph structure of biomedical data differs from those in typical knowledge graph benchmark tasks. A particular property of biomedical data is the presence of long-range dependencies, which can be captured by patterns described as logical rules. We propose a novel method that combines these rules with a neural multi-hop reasoning approach that uses reinforcement learning. We conduct an empirical study based on the real-world task of drug repurposing by formulating this task as a link prediction problem. We apply our method to the biomedical knowledge graph Hetionet and show that our approach outperforms several baseline methods.
Abstract（参考訳）: バイオメディカルデータのグラフ構造は、典型的なナレッジグラフベンチマークタスクのグラフ構造とは異なる。バイオメディカルデータの特徴は、長距離依存の存在であり、論理的な規則として記述されたパターンによって捉えられる。本稿では,これらのルールと強化学習を用いたニューラルマルチホップ推論手法を組み合わせた新しい手法を提案する。我々は,この課題をリンク予測問題として定式化することにより,創薬の現実の課題に基づく実証研究を行う。本手法をバイオメディカルナレッジグラフヘティネットに適用し,本手法がいくつかのベースライン手法よりも優れていることを示す。

関連論文リスト

Causal Representation Learning from Multimodal Biological Observations [57.00712157758845]
我々は,マルチモーダルデータに対するフレキシブルな識別条件の開発を目指している。我々は、各潜伏成分の識別可能性を保証するとともに、サブスペース識別結果を事前の作業から拡張する。我々の重要な理論的要素は、異なるモーダル間の因果関係の構造的空間性である。
論文参考訳（メタデータ） (2024-11-10T16:40:27Z)
GTP-4o: Modality-prompted Heterogeneous Graph Learning for Omni-modal Biomedical Representation [68.63955715643974]
Omnimodal Learning(GTP-4o)のためのモダリティプロンプト不均質グラフ我々は、Omnimodal Learning(GTP-4o)のための革新的モダリティプロンプト不均質グラフを提案する。
論文参考訳（メタデータ） (2024-07-08T01:06:13Z)
Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
論文参考訳（メタデータ） (2024-03-02T00:56:05Z)
Latent Graphs for Semi-Supervised Learning on Biomedical Tabular Data [4.498659756007485]
本研究では,本研究において,本質的なデータ関係を捉える潜在グラフを推定する手法を提案する。グラフに基づく表現を活用することにより,グラフ全体の情報のシームレスな伝播を容易にする。本研究は,頑健な潜伏グラフを構築するための実践的な方法として,インスタンス間関係発見の重要性を実証する。
論文参考訳（メタデータ） (2023-09-27T16:13:36Z)
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)
Neurosymbolic AI for Reasoning over Knowledge Graphs: A Survey [0.0]
本稿では,知識グラフ上でニューロシンボリック推論タスクを行う手法を調査し,それらを分類できる新しい分類法を提案する。具体的には,(1)論理的にインフォームドされた埋め込みアプローチ,(2)論理的制約を伴う埋め込みアプローチ,(3)規則学習アプローチの3つの主要なカテゴリを提案する。
論文参考訳（メタデータ） (2023-02-14T17:24:30Z)
Drug Synergistic Combinations Predictions via Large-Scale Pre-Training and Graph Structure Learning [82.93806087715507]
薬物併用療法は、より有効で安全性の低い疾患治療のための確立された戦略である。ディープラーニングモデルは、シナジスティックな組み合わせを発見する効率的な方法として登場した。我々のフレームワークは、他のディープラーニングベースの手法と比較して最先端の結果を達成する。
論文参考訳（メタデータ） (2023-01-14T15:07:43Z)
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)
Neural Multi-Hop Reasoning With Logical Rules on Biomedical Knowledge Graphs [10.244651735862627]
我々は,創薬の現実世界における課題に基づいて経験的研究を行う。我々は,この課題を,化合物と疾患の両方が知識グラフの実体に対応するリンク予測問題として定式化する。本稿では,強化学習と論理ルールに基づく政策誘導歩行を組み合わせた新しい手法PoLoを提案する。
論文参考訳（メタデータ） (2021-03-18T16:46:11Z)
Quantifying Explainers of Graph Neural Networks in Computational Pathology [13.526389642048947]
グラフ説明器を特徴付けるために,クラス分離可能性の統計に基づく新しい定量尺度を提案する。提案手法は,3種類のグラフ説明器,すなわち,階層的関連性伝播,勾配ベース・サリエンシ,グラフプルーニングの3つの手法を評価するために用いられる。乳がんRoIsの大きなコホートであるBRACSデータセットの質的,定量的な所見を専門の病理医によって検証した。
論文参考訳（メタデータ） (2020-11-25T11:13:01Z)
A Heterogeneous Graph with Factual, Temporal and Logical Knowledge for Question Answering Over Dynamic Contexts [81.4757750425247]
動的テキスト環境における質問応答について検討する。構築したグラフ上にグラフニューラルネットワークを構築し,エンドツーエンドでモデルをトレーニングする。
論文参考訳（メタデータ） (2020-04-25T04:53:54Z)

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。