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

• 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)
• Graph Stochastic Neural Process for Inductive Few-shot Knowledge Graph Completion [63.68647582680998]
  I-FKGC(inductive few-shot knowledge graph completion)と呼ばれる課題に焦点をあてる。 帰納的推論(inductive reasoning)の概念に着想を得て,I-FKGCを帰納的推論問題とした。 本稿では,仮説の連成分布をモデル化したニューラルプロセスに基づく仮説抽出器を提案する。 第2のモジュールでは、この仮説に基づいて、クエリセットのトリプルが抽出された仮説と一致するかどうかをテストするグラフアテンションベースの予測器を提案する。
  論文  参考訳（メタデータ） (2024-08-03T13:37:40Z)
• 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)
• Learning to Denoise Biomedical Knowledge Graph for Robust Molecular Interaction Prediction [50.7901190642594]
  分子間相互作用予測のためのバイオKDN (Biomedical Knowledge Graph Denoising Network) を提案する。 BioKDNは、ノイズの多いリンクを学習可能な方法で識別することで、局所的な部分グラフの信頼性の高い構造を洗練する。 ターゲットの相互作用に関する関係を円滑にすることで、一貫性とロバストなセマンティクスを維持する。
  論文  参考訳（メタデータ） (2023-12-09T07:08:00Z)
• 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)
• 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)

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。