論文の概要: Learning Informative Representations of Biomedical Relations with Latent Variable Models

• arxiv url: http://arxiv.org/abs/2011.10285v1
• Date: Fri, 20 Nov 2020 08:56:31 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-23 05:14:53.797658
• Title: Learning Informative Representations of Biomedical Relations with Latent Variable Models
• Title（参考訳）: 潜在変数モデルを用いた生体医学関係のインフォームド表現学習
• Authors: Harshil Shah and Julien Fauqueur
• Abstract要約: 本稿では,任意に柔軟な分布を持つ潜在変数モデルを提案する。 我々のモデルは、パラメータが少なく、トレーニングがかなり速く、両方のタスクの強いベースラインと競合する結果が得られることを実証する。
• 参考スコア（独自算出の注目度）: 2.4366811507669115
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Extracting biomedical relations from large corpora of scientific documents is a challenging natural language processing task. Existing approaches usually focus on identifying a relation either in a single sentence (mention-level) or across an entire corpus (pair-level). In both cases, recent methods have achieved strong results by learning a point estimate to represent the relation; this is then used as the input to a relation classifier. However, the relation expressed in text between a pair of biomedical entities is often more complex than can be captured by a point estimate. To address this issue, we propose a latent variable model with an arbitrarily flexible distribution to represent the relation between an entity pair. Additionally, our model provides a unified architecture for both mention-level and pair-level relation extraction. We demonstrate that our model achieves results competitive with strong baselines for both tasks while having fewer parameters and being significantly faster to train. We make our code publicly available.
• Abstract（参考訳）: 大量の科学文書から生物医学関係を抽出することは難しい自然言語処理課題である。 既存のアプローチは、通常、単一の文(メントレベル)または全コーパス(ペアレベル)で関係を特定することに集中する。 どちらの場合も、関係を表す点推定を学習することで、最近の手法は強力な結果を得ることができ、それが関係分類器への入力として使われる。 しかし、一対の生物医学的実体間のテキストで表される関係は、しばしば点推定によって捉えられるよりも複雑である。 この問題に対処するために、任意に柔軟な分布を持つ潜在変数モデルを提案し、エンティティペア間の関係を表現する。 さらに,参照レベルとペアレベルの関係抽出のための統一アーキテクチャも提供する。 我々のモデルは、パラメータが少なく、トレーニングがかなり速く、両方のタスクの強いベースラインと競合する結果が得られることを実証する。 コードを公開しています。

関連論文リスト

• Entity or Relation Embeddings? An Analysis of Encoding Strategies for Relation Extraction [19.019881161010474]
  関係抽出は、本質的にはテキスト分類問題であり、事前学習言語モデル(LM)を微調整することで取り組める。 既存のアプローチでは、LMを微調整して頭と尾のエンティティの埋め込みを学習し、それらのエンティティの埋め込みから関係を予測する。 本稿では,より直接的な方法で関係を捉えることにより,関係抽出モデルを改善することができるという仮説を立てる。
  論文  参考訳（メタデータ） (2023-12-18T09:58:19Z)
• Comparative Analysis of Contextual Relation Extraction based on Deep Learning Models [0.0]
  バイオメディカル産業におけるドメイン知識の創出には, 効率的かつ正確なCREシステムが必要である。 深層学習技術は、複数の文からコンテキストに基づいて適切な意味関係を識別するために用いられてきた。 本稿では,関係抽出に使用される様々な深層学習モデルの解析について述べる。
  論文  参考訳（メタデータ） (2023-09-13T09:05:09Z)
• More than Classification: A Unified Framework for Event Temporal Relation Extraction [61.44799147458621]
  イベント時間関係抽出(ETRE)は通常、マルチラベル分類タスクとして定式化される。 イベントの開始点と終了点を使ってすべての関係を解釈できることを観察する。 本稿では,時間関係を時間点の論理的表現に変換するイベント時間関係抽出フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-05-28T02:09:08Z)
• Relational Sentence Embedding for Flexible Semantic Matching [86.21393054423355]
  文埋め込みの可能性を明らかにするための新しいパラダイムとして,文埋め込み(Sentence Embedding, RSE)を提案する。 RSEは文関係のモデル化に有効で柔軟性があり、一連の最先端の埋め込み手法より優れている。
  論文  参考訳（メタデータ） (2022-12-17T05:25:17Z)
• An Empirical Study on Relation Extraction in the Biomedical Domain [0.0]
  文レベルの関係抽出と文書レベルの関係抽出について検討し、いくつかのベンチマークデータセット上で最先端の手法を実行する。 以上の結果から,(1)現行の文書レベルの関係抽出手法は高い一般化能力を有し,(2)既存の手法では,バイオメディシンのモデル微調整に大量のラベル付きデータを必要とすることがわかった。
  論文  参考訳（メタデータ） (2021-12-11T03:36:38Z)
• Discovering Latent Representations of Relations for Interacting Systems [2.2844557930775484]
  本稿では,関係の数が不明であるか,多種類の関係が存在する場合でも柔軟に適用可能なDiScovering Latent Relation (DSLR)モデルを提案する。 DSLRモデルの柔軟性は、潜在空間におけるエンティティ間の関係を表すエンコーダの設計概念から来ています。 実験の結果,提案手法は未知の複素数を持つ動的グラフを解析するのに適していることがわかった。
  論文  参考訳（メタデータ） (2021-11-10T03:32:09Z)
• Prototypical Representation Learning for Relation Extraction [56.501332067073065]
  本論文では, 遠隔ラベルデータから予測可能, 解釈可能, 堅牢な関係表現を学習することを目的とする。 文脈情報から各関係のプロトタイプを学習し,関係の本質的意味を最善に探求する。 いくつかの関係学習タスクの結果,本モデルが従来の関係モデルを大きく上回っていることがわかった。
  論文  参考訳（メタデータ） (2021-03-22T08:11:43Z)
• Learning Relation Prototype from Unlabeled Texts for Long-tail Relation Extraction [84.64435075778988]
  本稿では,ラベルのないテキストから関係プロトタイプを学習するための一般的なアプローチを提案する。 我々は、エンティティ間の暗黙的な要因として関係プロトタイプを学習する。 私たちは、New York TimesとGoogle Distant Supervisionの2つの公開データセットで実験を行います。
  論文  参考訳（メタデータ） (2020-11-27T06:21:12Z)
• Learning to Decouple Relations: Few-Shot Relation Classification with Entity-Guided Attention and Confusion-Aware Training [49.9995628166064]
  本稿では,2つのメカニズムを備えたモデルであるCTEGを提案する。 一方、注意を誘導するEGA機構を導入し、混乱を引き起こす情報をフィルタリングする。 一方,コンフュージョン・アウェア・トレーニング(CAT)法は,関係の識別を明示的に学習するために提案されている。
  論文  参考訳（メタデータ） (2020-10-21T11:07:53Z)
• Relation-Guided Representation Learning [53.60351496449232]
  本稿では,サンプル関係を明示的にモデル化し,活用する表現学習手法を提案する。 私たちのフレームワークは、サンプル間の関係をよく保存します。 サンプルをサブスペースに埋め込むことにより,本手法が大規模なサンプル外問題に対処可能であることを示す。
  論文  参考訳（メタデータ） (2020-07-11T10:57:45Z)

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。