Fugu-MT 論文翻訳(概要): Biomedical Event Extraction with Hierarchical Knowledge Graphs

論文の概要: Biomedical Event Extraction with Hierarchical Knowledge Graphs

arxiv url: http://arxiv.org/abs/2009.09335v3
Date: Mon, 12 Oct 2020 16:38:31 GMT
ステータス: 処理完了
システム内更新日: 2022-10-16 12:24:38.307529
Title: Biomedical Event Extraction with Hierarchical Knowledge Graphs
Title（参考訳）: 階層的知識グラフを用いた生物医学イベント抽出
Authors: Kung-Hsiang Huang, Mu Yang, Nanyun Peng
Abstract要約: 本稿では,Unified Medical Language System (UMLS) の知識を,グラフエッジ条件付き注意ネットワーク (GEANet) と階層グラフ表現による事前学習言語モデルに組み込むことを提案する。 BioNLP 2011 GENIA Event extract taskでは,全イベントの1.41% F1と3.19% F1の改善が達成された。
参考スコア（独自算出の注目度）: 34.078835099079285
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Biomedical event extraction is critical in understanding biomolecular interactions described in scientific corpus. One of the main challenges is to identify nested structured events that are associated with non-indicative trigger words. We propose to incorporate domain knowledge from Unified Medical Language System (UMLS) to a pre-trained language model via Graph Edge-conditioned Attention Networks (GEANet) and hierarchical graph representation. To better recognize the trigger words, each sentence is first grounded to a sentence graph based on a jointly modeled hierarchical knowledge graph from UMLS. The grounded graphs are then propagated by GEANet, a novel graph neural networks for enhanced capabilities in inferring complex events. On BioNLP 2011 GENIA Event Extraction task, our approach achieved 1.41% F1 and 3.19% F1 improvements on all events and complex events, respectively. Ablation studies confirm the importance of GEANet and hierarchical KG.
Abstract（参考訳）: バイオメディカルイベント抽出は、科学的コーパスで記述された生体分子相互作用を理解する上で重要である。主な課題の1つは、非指示的トリガーワードに関連するネストされた構造化イベントを特定することである。本稿では,統合医療言語システム(umls)から,グラフエッジコンディションアテンションネットワーク(geanet)と階層グラフ表現を用いた事前学習言語モデルへのドメイン知識の導入を提案する。引き起こし語をよりよく認識するために、各文はUMLSの協調モデル化された階層的知識グラフに基づいて、まず文グラフに接地される。接地グラフは、複雑なイベントを推論する能力を高める新しいグラフニューラルネットワークであるGAANetによって伝播される。 BioNLP 2011 GENIA Event extract taskでは,全イベントの1.41% F1と3.19% F1の改善が達成された。アブレーション研究は、GAANetと階層的KGの重要性を裏付ける。

関連論文リスト

GNNAnatomy: Systematic Generation and Evaluation of Multi-Level Explanations for Graph Neural Networks [20.05098366613674]
本稿では,グラフ分類タスクの多段階説明の生成と評価を目的とした視覚解析システムであるGNNAnatomyを紹介する。 GNNAnatomyは、グラフレット、原始グラフサブ構造を用いて、GNN予測とグラフレット周波数の相関を分析することにより、グラフクラスで最も重要なサブ構造を識別する。社会学・生物学領域からの合成および実世界のグラフデータセットのケーススタディを通して,GNN解剖学の有効性を実証する。
論文参考訳（メタデータ） (2024-06-06T23:09:54Z)
Graph Relation Distillation for Efficient Biomedical Instance Segmentation [80.51124447333493]
本稿では,効率的なバイオメディカル・インスタンス・セグメンテーションのためのグラフ関係蒸留手法を提案する。画像内レベルと画像間レベルの両方に展開する2つのグラフ蒸留方式を導入する。多くのバイオメディカルデータセットの実験結果から,本手法の有効性が検証された。
論文参考訳（メタデータ） (2024-01-12T04:41:23Z)
H2G2-Net: A Hierarchical Heterogeneous Graph Generative Network Framework for Discovery of Multi-Modal Physiological Responses [3.7110156663640574]
本稿では,ドメイン知識のないグラフ構造を自動的に学習する階層型ヘテロジニアスグラフ生成ネットワーク(H2G2-Net)を提案する。提案手法をマルチモーダルな生理学的信号からなるCagPilotデータセット上で検証する。
論文参考訳（メタデータ） (2024-01-05T17:05:33Z)
Bi-level Contrastive Learning for Knowledge-Enhanced Molecule Representations [55.42602325017405]
本稿では,分子の2レベル構造を考慮した新しいGODE法を提案する。異なるグラフ構造上で2つのグラフニューラルネットワーク(GNN)を事前訓練し、対照的な学習と組み合わせることで、GODEは分子構造を対応する知識グラフサブ構造と融合させる。 11の化学特性タスクを微調整した場合、我々のモデルは既存のベンチマークよりも優れており、分類タスクの平均ROC-AUCアップリフトは13.8%、回帰タスクの平均RMSE/MAEエンハンスメントは35.1%である。
論文参考訳（メタデータ） (2023-06-02T15:49:45Z)
Language Knowledge-Assisted Representation Learning for Skeleton-Based Action Recognition [71.35205097460124]
人間が他人の行動を理解して認識する方法は、複雑な神経科学の問題である。 LA-GCNは、大規模言語モデル(LLM)知識アシストを用いたグラフ畳み込みネットワークを提案する。
論文参考訳（メタデータ） (2023-05-21T08:29:16Z)
Representation Learning for Person or Entity-centric Knowledge Graphs: An Application in Healthcare [0.757843972001219]
本稿では、構造化データと非構造化データからエンティティ中心のKGを抽出するエンドツーエンド表現学習フレームワークを提案する。我々は、人の複数の面を表す星型分類器を導入し、それをKG生成のガイドに利用する。このアプローチにはいくつかの潜在的なアプリケーションがあり、オープンソースであることを強調します。
論文参考訳（メタデータ） (2023-05-09T17:39:45Z)
Discovering the Representation Bottleneck of Graph Neural Networks from Multi-order Interactions [51.597480162777074]
グラフニューラルネットワーク(GNN)は、ノード機能を伝搬し、インタラクションを構築するためにメッセージパッシングパラダイムに依存している。最近の研究は、異なるグラフ学習タスクはノード間の異なる範囲の相互作用を必要とすることを指摘している。科学領域における2つの共通グラフ構築法、すなわち、emphK-nearest neighbor(KNN)グラフとemphfully-connected(FC)グラフについて検討する。
論文参考訳（メタデータ） (2022-05-15T11:38:14Z)
Semi-Supervised Graph Attention Networks for Event Representation Learning [0.0]
本稿では,グラフ注意ネットワークとグラフ正規化を組み合わせたGNEE(GAT Neural Event Embeddings)を提案する。 5つの実世界のイベントグラフと6つのグラフ埋め込みによる実験結果の統計的解析により、GNEEは最先端の半教師付きグラフ埋め込み法より優れていることが示された。
論文参考訳（メタデータ） (2022-01-02T14:38:28Z)
Joint Biomedical Entity and Relation Extraction with Knowledge-Enhanced Collective Inference [42.255596963210564]
KECIという名前の結合エンティティと関係抽出のための外部知識を利用する新しいフレームワークを提案する。 KeCIは、グローバルリレーショナル情報をローカル表現に統合することで、参照スパンをエンティティにリンクする集合的なアプローチを採用している。実験の結果、このフレームワークは2つの異なるベンチマークデータセットで新しい最先端の成果を得られることが判明した。
論文参考訳（メタデータ） (2021-05-27T21:33:34Z)
Hierarchical Graph Capsule Network [78.4325268572233]
ノード埋め込みを共同で学習し,グラフ階層を抽出できる階層型グラフカプセルネットワーク(HGCN)を提案する。階層的表現を学ぶために、HGCNは下層カプセル(部分)と高層カプセル(全体)の間の部分的関係を特徴付ける。
論文参考訳（メタデータ） (2020-12-16T04:13:26Z)
GoGNN: Graph of Graphs Neural Network for Predicting Structured Entity Interactions [70.9481395807354]
本稿では,構造化エンティティグラフとエンティティ相互作用グラフの両方の特徴を階層的に抽出するグラフ・オブ・グラフニューラルネットワーク(GoGNN)を提案する。 GoGNNは、2つの代表的な構造化エンティティ相互作用予測タスクにおいて最先端の手法より優れている。
論文参考訳（メタデータ） (2020-05-12T03:46:15Z)

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。