論文の概要: Relation Extraction from Biomedical and Clinical Text: Unified Multitask Learning Framework

• arxiv url: http://arxiv.org/abs/2009.09509v1
• Date: Sun, 20 Sep 2020 19:50:28 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-16 12:52:03.793883
• Title: Relation Extraction from Biomedical and Clinical Text: Unified Multitask Learning Framework
• Title（参考訳）: バイオメディカルテキストと臨床テキストからの関係抽出:統一マルチタスク学習フレームワーク
• Authors: Shweta Yadav, Srivatsa Ramesh, Sriparna Saha, and Asif Ekbal
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 41.4339656250053
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: To minimize the accelerating amount of time invested in the biomedical literature search, numerous approaches for automated knowledge extraction have been proposed. Relation extraction is one such task where semantic relations between the entities are identified from the free text. In the biomedical domain, extraction of regulatory pathways, metabolic processes, adverse drug reaction or disease models necessitates knowledge from the individual relations, for example, physical or regulatory interactions between genes, proteins, drugs, chemical, disease or phenotype. In this paper, we study the relation extraction task from three major biomedical and clinical tasks, namely drug-drug interaction, protein-protein interaction, and medical concept relation extraction. Towards this, we model the relation extraction problem in multi-task learning (MTL) framework and introduce for the first time the concept of structured self-attentive network complemented with the adversarial learning approach for the prediction of relationships from the biomedical and clinical text. The fundamental notion of MTL is to simultaneously learn multiple problems together by utilizing the concepts of the shared representation. Additionally, we also generate the highly efficient single task model which exploits the shortest dependency path embedding learned over the attentive gated recurrent unit to compare our proposed MTL models. The framework we propose significantly improves overall the baselines (deep learning techniques) and single-task models for predicting the relationships, without compromising on the performance of all the tasks.
• Abstract（参考訳）: 生物医学文献探索に費やす時間を最小限に抑えるために, 知識の自動抽出手法が数多く提案されている。 関係抽出は、エンティティ間の意味的関係を自由テキストから識別するタスクである。 生物医学領域において、調節経路、代謝過程、有害薬物反応または疾患モデルの抽出は、個々の関係、例えば遺伝子、タンパク質、薬物、化学物質、疾患または表現型間の物理的または規制的な相互作用から知識を必要とする。 本稿では, 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する。 そこで我々は,MTL(Multi-task Learning)フレームワークにおける関係抽出問題をモデル化し,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化自己注意ネットワークの概念を初めて導入する。 MTLの基本概念は、共有表現の概念を利用して複数の問題を同時に学習することである。 さらに,提案したMTLモデルと比較するために,命令ゲート再帰ユニット上で学習した最も短い依存性経路の埋め込みを利用する,高効率な単一タスクモデルも生成する。 提案するフレームワークは,すべてのタスクのパフォーマンスを損なうことなく,関係を予測するためのベースライン(深層学習技術)と単一タスクモデル全体を大幅に改善する。

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)
• EMBRE: Entity-aware Masking for Biomedical Relation Extraction [12.821610050561256]
  本稿では,関係抽出のためのEMBRE (Entity-Aware Masking for Biomedical Relation extract) 法を提案する。 具体的には、バックボーンモデルとエンティティマスキングの目的を事前学習することにより、エンティティ知識をディープニューラルネットワークに統合する。
  論文  参考訳（メタデータ） (2024-01-15T18:12:01Z)
• 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)
• Similarity-based Memory Enhanced Joint Entity and Relation Extraction [3.9659135716762894]
  文書レベルの共同エンティティと関係抽出は難解な情報抽出問題である。 タスク間の双方向メモリのような依存性を持つマルチタスク学習フレームワークを提案する。 実験により,提案手法が既存手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） (2023-07-14T12:26:56Z)
• SynerGPT: In-Context Learning for Personalized Drug Synergy Prediction and Drug Design [64.69434941796904]
  本稿では,テキスト内薬物相乗学習のための新しい設定とモデルを提案する。 特定のがん細胞標的の文脈における10～20の薬物相乗関係の「個人化データセット」を作成した。 私たちの目標は、その文脈で追加の薬物シナジー関係を予測することです。
  論文  参考訳（メタデータ） (2023-06-19T17:03:46Z)
• 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)
• Discovering Drug-Target Interaction Knowledge from Biomedical Literature [107.98712673387031]
  人体における薬物と標的(DTI)の相互作用は、生物医学や応用において重要な役割を担っている。 毎年何百万もの論文がバイオメディカル分野で出回っているので、文学からDTIの知識を自動的に発見することは、業界にとって急激な需要となっている。 生成的アプローチを用いて,この課題に対する最初のエンドツーエンドソリューションについて検討する。 我々はDTI三重項をシーケンスとみなし、Transformerベースのモデルを使ってエンティティや関係の詳細なアノテーションを使わずに直接生成する。
  論文  参考訳（メタデータ） (2021-09-27T17:00:14Z)
• MIMO: Mutual Integration of Patient Journey and Medical Ontology for Healthcare Representation Learning [49.57261599776167]
  本稿では、医療表現学習と予測分析のための、エンドツーエンドの堅牢なトランスフォーマーベースのソリューション、患者旅行の相互統合、医療オントロジー(MIMO)を提案する。
  論文  参考訳（メタデータ） (2021-07-20T07:04:52Z)
• Uncovering the Corona Virus Map Using Deep Entities and Relationship Models [1.6263770627425762]
  コロナウイルス関連記事のコーパスから、COVID-19に関連するエンティティや関係を抽出する。 我々は、連想記憶として機能するニューラルネットワークの進化を防ぐために、概念マスキングパラダイムを用いる。
  論文  参考訳（メタデータ） (2020-09-07T12:48:36Z)
• A Dependency Syntactic Knowledge Augmented Interactive Architecture for End-to-End Aspect-based Sentiment Analysis [73.74885246830611]
  エンドツーエンドABSAのためのマルチタスク学習を用いた対話型アーキテクチャを新たに提案する。 このモデルは、よく設計された依存性関係埋め込みグラフ畳み込みネットワーク(DreGcn)を活用することで、構文知識(依存性関係と型)を完全に活用することができる。 3つのベンチマークデータセットの大規模な実験結果から,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-04-04T14:59:32Z)

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。