論文の概要: Temporal Positive-unlabeled Learning for Biomedical Hypothesis
Generation via Risk Estimation
- arxiv url: http://arxiv.org/abs/2010.01916v1
- Date: Mon, 5 Oct 2020 10:58:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-10 20:49:03.040004
- Title: Temporal Positive-unlabeled Learning for Biomedical Hypothesis
Generation via Risk Estimation
- Title(参考訳): リスク推定によるバイオメディカル仮説生成のための時間的肯定的非ラベル学習
- Authors: Uchenna Akujuobi, Jun Chen, Mohamed Elhoseiny, Michael Spranger,
Xiangliang Zhang
- Abstract要約: 本稿では,仮説生成の科学的プロセスに機械学習を導入することを目的とする。
本稿では,ノード対埋め込みの学習において,前向きの確率を推定するための変分推論モデルを提案する。
実世界のバイオメディカルな用語関係データセットの実験結果と、COVID-19データセットのケーススタディ分析により、提案モデルの有効性が検証された。
- 参考スコア(独自算出の注目度): 46.852387038668695
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Understanding the relationships between biomedical terms like viruses, drugs,
and symptoms is essential in the fight against diseases. Many attempts have
been made to introduce the use of machine learning to the scientific process of
hypothesis generation(HG), which refers to the discovery of meaningful implicit
connections between biomedical terms. However, most existing methods fail to
truly capture the temporal dynamics of scientific term relations and also
assume unobserved connections to be irrelevant (i.e., in a positive-negative
(PN) learning setting). To break these limits, we formulate this HG problem as
future connectivity prediction task on a dynamic attributed graph via
positive-unlabeled (PU) learning. Then, the key is to capture the temporal
evolution of node pair (term pair) relations from just the positive and
unlabeled data. We propose a variational inference model to estimate the
positive prior, and incorporate it in the learning of node pair embeddings,
which are then used for link prediction. Experiment results on real-world
biomedical term relationship datasets and case study analyses on a COVID-19
dataset validate the effectiveness of the proposed model.
- Abstract(参考訳): ウイルス、薬物、症状などの生物医学用語の関係を理解することは、疾患との闘いにおいて不可欠である。
仮説生成の科学的プロセス(hg)に機械学習を導入するために多くの試みがなされており、これは生物医学用語間の有意義な暗黙的なつながりの発見を指す。
しかし、既存のほとんどの手法は、科学的用語関係の時間的ダイナミクスを真に捉えることができず、また観測されていない接続は無関係であると仮定する(すなわち、正負の学習環境において)。
これらの限界を打破するために、我々はこのHG問題を、正非ラベル学習(PU)を用いて動的属性グラフ上の将来の接続予測タスクとして定式化する。
次に鍵となるのは、ポジティブデータとラベルなしデータのみから、ノードペア(項ペア)関係の時間的進化を捉えることである。
本稿では,正の事前推定のための変分推論モデルを提案し,それをノード対埋め込みの学習に組み入れ,リンク予測に利用する。
実世界の生物医学用語関係データセットの実験結果とcovid-19データセットのケーススタディ解析は,提案モデルの有効性を検証する。
関連論文リスト
- 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) - T-Phenotype: Discovering Phenotypes of Predictive Temporal Patterns in
Disease Progression [82.85825388788567]
我々は、ラベル付き時系列データから予測時相パターンの表現型を発見するために、新しい時間的クラスタリング手法T-Phenotypeを開発した。
T-フェノタイプは, 評価ベースラインのすべてに対して, 最良の表現型発見性能を示す。
論文 参考訳(メタデータ) (2023-02-24T13:30:35Z) - 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) - Communicative Subgraph Representation Learning for Multi-Relational
Inductive Drug-Gene Interaction Prediction [17.478102754113294]
マルチリレーショナル・インダクティブ・ドラッグ-遺伝子相互作用予測(CoSMIG)のための新しいコミュニケーティブ・サブグラフ表現学習法を提案する。
このモデルは、通信メッセージパッシング機構を通じて、薬物遺伝子グラフの関係を強化した。
提案手法は,トランスダクティブシナリオにおいて最先端のベースラインより優れ,インダクティブシナリオでは優れた性能を実現した。
論文 参考訳(メタデータ) (2022-05-12T08:53:45Z) - Contrastive Graph Learning for Population-based fMRI Classification [41.53362208428764]
本稿では,FMRI分類のためのコントラッシブ・コネクティビティ・グラフ学習を提案する。
機能接続グラフの表現は、異種患者ペアに対して "repelled" される。
類似患者間の関連性を高める動的人口グラフを分類のために更新する。
論文 参考訳(メタデータ) (2022-03-26T10:56:40Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳(メタデータ) (2022-02-18T22:41:51Z) - Algorithmic encoding of protected characteristics and its implications
on disparities across subgroups [17.415882865534638]
機械学習モデルは、患者の人種的アイデンティティと臨床結果の間に望ましくない相関関係を拾うことができる。
これらのバイアスがどのようにコード化され、どのように異なるパフォーマンスを減らしたり、取り除いたりするかについては、ほとんど分かっていない。
論文 参考訳(メタデータ) (2021-10-27T20:30:57Z) - Correct block-design experiments mitigate temporal correlation bias in
EEG classification [68.85562949901077]
[1]の主主張は極めて過大評価されており、他の分析は間違った方法論的選択によって深刻な欠陥を負っていることを示す。
脳波の時間相関が2つの実験環境で同じモデルをテストすることによって分類精度に及ぼす影響について検討した。
論文 参考訳(メタデータ) (2020-11-25T22:25:21Z) - Predicting Biomedical Interactions with Higher-Order Graph Convolutional
Networks [2.9488233765621295]
本稿では,生物医学的相互作用予測のための高次グラフ畳み込みネットワーク(HOGCN)を提案する。
タンパク質-タンパク質、薬物-ドラッグ、薬物-ターゲット、遺伝子-放出相互作用を含む4つの相互作用ネットワークの実験は、HOGCNがより正確で校正された予測を達成していることを示している。
論文 参考訳(メタデータ) (2020-10-16T17:16:09Z)
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。