論文の概要: Cross-Global Attention Graph Kernel Network Prediction of Drug
Prescription
- arxiv url: http://arxiv.org/abs/2008.01868v1
- Date: Tue, 4 Aug 2020 22:36:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-02 23:39:15.327684
- Title: Cross-Global Attention Graph Kernel Network Prediction of Drug
Prescription
- Title(参考訳): 薬物処方の相互注意グラフカーネルネットワーク予測
- Authors: Hao-Ren Yao, Der-Chen Chang, Ophir Frieder, Wendy Huang, I-Chia Liang
and Chi-Feng Hung
- Abstract要約: 本稿では,慢性疾患薬物処方薬の結果を予測するグラフカーネルを学習するために,エンドツーエンドで解釈可能なディープラーニングアーキテクチャを提案する。
- 参考スコア(独自算出の注目度): 5.132187039529859
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present an end-to-end, interpretable, deep-learning architecture to learn
a graph kernel that predicts the outcome of chronic disease drug prescription.
This is achieved through a deep metric learning collaborative with a Support
Vector Machine objective using a graphical representation of Electronic Health
Records. We formulate the predictive model as a binary graph classification
problem with an adaptive learned graph kernel through novel cross-global
attention node matching between patient graphs, simultaneously computing on
multiple graphs without training pair or triplet generation. Results using the
Taiwanese National Health Insurance Research Database demonstrate that our
approach outperforms current start-of-the-art models both in terms of accuracy
and interpretability.
- Abstract(参考訳): 本稿では,慢性疾患処方薬の結果を予測するグラフカーネルを学ぶために,エンドツーエンドで解釈可能なディープラーニングアーキテクチャを提案する。
これは、電子健康記録のグラフィカル表現を用いたサポートベクターマシンの目的と協調したディープメトリック学習によって達成される。
本稿では,適応学習グラフカーネルを用いた2進グラフ分類問題として,患者グラフ間の新たなクロスグローバルアテンションノードマッチングによる予測モデルを定式化し,トレーニングペアやトリプレット生成を伴わずに複数のグラフ上で同時に計算する。
台湾国民健康保険研究データベースを用いた結果,本手法は,精度と解釈可能性の両方において,現在の最先端モデルよりも優れていることが示された。
関連論文リスト
- Hypergraph-enhanced Dual Semi-supervised Graph Classification [14.339207883093204]
半教師付きグラフ分類のためのハイパーグラフ拡張DuALフレームワークHEALを提案する。
ノード間の高次関係をよりよく探求するために,複雑なノード依存を適応的に学習するハイパーグラフ構造を設計する。
学習したハイパーグラフに基づいて,ハイパーエッジ間の相互作用を捉える線グラフを導入する。
論文 参考訳(メタデータ) (2024-05-08T02:44:13Z) - Classification of developmental and brain disorders via graph
convolutional aggregation [6.6356049194991815]
本稿では,グラフサンプリングにおける集約を利用したアグリゲータ正規化グラフ畳み込みネットワークを提案する。
提案モデルは,画像特徴と非画像特徴の両方をグラフノードとエッジに組み込むことで,識別グラフノード表現を学習する。
我々は、自閉症脳画像データ交換(ABIDE)とアルツハイマー病神経イメージングイニシアチブ(ADNI)という2つの大きなデータセット上の最近のベースライン手法と比較して、我々のモデルをベンチマークした。
論文 参考訳(メタデータ) (2023-11-13T14:36:29Z) - 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) - State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。
グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。
ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
論文 参考訳(メタデータ) (2023-01-14T09:15:49Z) - Self-supervised Representation Learning on Electronic Health Records
with Graph Kernel Infomax [4.133378723518227]
EHRのグラフィカル表現に対する自己教師付きグラフカーネル学習手法であるGraph Kernel Infomaxを提案する。
最先端とは違って、グラフ構造を変更して拡張ビューを構築することはできません。
我々のアプローチは、最先端を超える臨床下流課題にパフォーマンスをもたらす。
論文 参考訳(メタデータ) (2022-09-01T16:15:08Z) - Graph-in-Graph (GiG): Learning interpretable latent graphs in
non-Euclidean domain for biological and healthcare applications [52.65389473899139]
グラフは、医療領域において、非ユークリッドな非ユークリッドデータをユビキタスに表現し、分析するための強力なツールである。
近年の研究では、入力データサンプル間の関係を考慮すると、下流タスクに正の正の正則化効果があることが示されている。
タンパク質分類と脳イメージングのためのニューラルネットワークアーキテクチャであるGraph-in-Graph(GiG)を提案する。
論文 参考訳(メタデータ) (2022-04-01T10:01:37Z) - Graph Self-supervised Learning with Accurate Discrepancy Learning [64.69095775258164]
離散性に基づく自己監督型LeArning(D-SLA)と呼ばれる原図と摂動グラフの正確な相違を学習することを目的としたフレームワークを提案する。
本稿では,分子特性予測,タンパク質機能予測,リンク予測タスクなど,グラフ関連下流タスクにおける本手法の有効性を検証する。
論文 参考訳(メタデータ) (2022-02-07T08:04:59Z) - Joint Graph Learning and Matching for Semantic Feature Correspondence [69.71998282148762]
本稿では,グラフマッチングを向上するための信頼度の高いグラフ構造を探索するために,GLAMという共用電子グラフ学習とマッチングネットワークを提案する。
提案手法は,3つの人気ビジュアルマッチングベンチマーク (Pascal VOC, Willow Object, SPair-71k) で評価される。
すべてのベンチマークにおいて、従来の最先端のグラフマッチング手法よりも大きなマージンを達成している。
論文 参考訳(メタデータ) (2021-09-01T08:24:02Z) - Multilevel Graph Matching Networks for Deep Graph Similarity Learning [79.3213351477689]
グラフ構造オブジェクト間のグラフ類似性を計算するためのマルチレベルグラフマッチングネットワーク(MGMN)フレームワークを提案する。
標準ベンチマークデータセットの欠如を補うため、グラフグラフ分類とグラフグラフ回帰タスクの両方のためのデータセットセットを作成し、収集した。
総合的な実験により、MGMNはグラフグラフ分類とグラフグラフ回帰タスクの両方において、最先端のベースラインモデルより一貫して優れていることが示された。
論文 参考訳(メタデータ) (2020-07-08T19:48:19Z) - Latent-Graph Learning for Disease Prediction [44.26665239213658]
我々は,GCNの下流における疾患分類の課題に向けて,一つの最適なグラフを学習することが可能であることを示す。
一般的に用いられているスペクトルGCNアプローチとは異なり、我々のGCNは空間的かつ誘導的であり、これまで見られなかった患者も推測できる。
論文 参考訳(メタデータ) (2020-03-27T08:18:01Z)
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。