論文の概要: Fast and Effective Biomedical Entity Linking Using a Dual Encoder
- arxiv url: http://arxiv.org/abs/2103.05028v1
- Date: Mon, 8 Mar 2021 19:32:28 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-11 18:10:17.146713
- Title: Fast and Effective Biomedical Entity Linking Using a Dual Encoder
- Title(参考訳): デュアルエンコーダを用いた高速かつ効果的なバイオメディカルエンティティリンク
- Authors: Rajarshi Bhowmik and Karl Stratos and Gerard de Melo
- Abstract要約: 文書中の複数の言及を1ショットで解決するBERTベースのデュアルエンコーダモデルを提案する。
本稿では,提案モデルが既存のBERTモデルよりも複数倍高速であり,バイオメディカルエンティティリンクの精度に競争力があることを示す。
- 参考スコア(独自算出の注目度): 48.86736921025866
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Biomedical entity linking is the task of identifying mentions of biomedical
concepts in text documents and mapping them to canonical entities in a target
thesaurus. Recent advancements in entity linking using BERT-based models follow
a retrieve and rerank paradigm, where the candidate entities are first selected
using a retriever model, and then the retrieved candidates are ranked by a
reranker model. While this paradigm produces state-of-the-art results, they are
slow both at training and test time as they can process only one mention at a
time. To mitigate these issues, we propose a BERT-based dual encoder model that
resolves multiple mentions in a document in one shot. We show that our proposed
model is multiple times faster than existing BERT-based models while being
competitive in accuracy for biomedical entity linking. Additionally, we modify
our dual encoder model for end-to-end biomedical entity linking that performs
both mention span detection and entity disambiguation and out-performs two
recently proposed models.
- Abstract(参考訳): 生物医学的エンティティのリンクは、テキスト文書中の生物医学的概念の言及を特定し、ターゲットテソーラスの正規的エンティティにマッピングするタスクです。
BERTモデルを用いたエンティティリンクの最近の進歩は、検索と再帰のパラダイムに従っており、まず候補エンティティをレトリバーモデルで選択し、次に検索した候補をリランカーモデルでランク付けする。
このパラダイムは最先端の結果を生み出すが、トレーニングとテスト時間の両方で遅く、一度に1つの言及しか処理できない。
そこで本研究では,文書中の複数の言及をワンショットで解決するBERTベースのデュアルエンコーダモデルを提案する。
本稿では,提案モデルが既存のBERTモデルよりも複数倍高速であり,バイオメディカルエンティティリンクの精度に競争力があることを示す。
さらに,提案する2つのモデルに対して,参照スパン検出とエンティティの曖昧化の両方を行う,エンドツーエンドの生物医学的エンティティリンクのためのデュアルエンコーダモデルを修正した。
関連論文リスト
- Entity Disambiguation via Fusion Entity Decoding [68.77265315142296]
より詳細なエンティティ記述を持つエンティティを曖昧にするためのエンコーダ・デコーダモデルを提案する。
GERBILベンチマークでは、EntQAと比較して、エンド・ツー・エンドのエンティティリンクが+1.5%改善されている。
論文 参考訳(メタデータ) (2024-04-02T04:27:54Z) - Biomedical Entity Linking as Multiple Choice Question Answering [48.74212158495695]
本稿では,バイオメディカルエンティティリンクを複数問合せ回答として扱う新モデルであるBioELQAを提案する。
まず、高速検索器を用いて候補エンティティを取得し、生成器に参照と候補エンティティを共同で提示し、選択したエンティティに関連付けられた予測シンボルを出力する。
長い尾を持つエンティティの一般化を改善するため、類似したラベル付きトレーニングインスタンスを手がかりとして検索し、ジェネレータの検索インスタンスで入力する。
論文 参考訳(メタデータ) (2024-02-23T08:40:38Z) - Single-Stage Visual Relationship Learning using Conditional Queries [60.90880759475021]
TraCQは、マルチタスク学習問題とエンティティペアの分布を回避する、シーングラフ生成の新しい定式化である。
我々は,DETRをベースとしたエンコーダ-デコーダ条件付きクエリを用いて,エンティティラベル空間を大幅に削減する。
実験結果から、TraCQは既存のシングルステージシーングラフ生成法よりも優れており、Visual Genomeデータセットの最先端の2段階メソッドを多く上回っていることがわかった。
論文 参考訳(メタデータ) (2023-06-09T06:02:01Z) - Partial Annotation Learning for Biomedical Entity Recognition [0.19336815376402716]
部分的アノテーション学習法は, 実体アノテーションの欠如により, バイオメディカルコーパスから効果的に学習できることが示唆された。
提案手法は代替品よりも優れており,特にPubMedBERTタグをF1スコアで38%向上させる。
論文 参考訳(メタデータ) (2023-05-22T15:18:38Z) - Nested Named Entity Recognition from Medical Texts: An Adaptive Shared
Network Architecture with Attentive CRF [53.55504611255664]
ネスト現象によるジレンマを解決するために,ASACと呼ばれる新しい手法を提案する。
提案手法は,適応共有(AS)部と注意条件付きランダムフィールド(ACRF)モジュールの2つの鍵モジュールを含む。
我々のモデルは、異なるカテゴリのエンティティ間の暗黙の区別と関係をキャプチャすることで、より良いエンティティ表現を学ぶことができる。
論文 参考訳(メタデータ) (2022-11-09T09:23:56Z) - ReFinED: An Efficient Zero-shot-capable Approach to End-to-End Entity
Linking [5.382800665115746]
ReFinEDは効率的なエンドツーエンドのエンティティリンクモデルである。
単一のフォワードパスで、ドキュメント内のすべての参照に対して、参照検出、きめ細かいエンティティタイピング、エンティティの曖昧さを実行する。
標準エンティティリンクデータセットの最先端パフォーマンスを平均3.7 F1で上回る。
論文 参考訳(メタデータ) (2022-07-08T19:20:42Z) - Knowledge-Rich Self-Supervised Entity Linking [58.838404666183656]
Knowledge-RIch Self-Supervision(KRISSBERT$)は400万のUMLSエンティティのためのユニバーサルエンティティリンカーである。
提案手法はゼロショット法と少数ショット法を仮定し,利用可能であればエンティティ記述やゴールドレファレンスラベルを簡単に組み込むことができる。
ラベル付き情報を一切使わずに400万のUMLSエンティティのためのユニバーサルエンティティリンカである$tt KRISSBERT$を生成する。
論文 参考訳(メタデータ) (2021-12-15T05:05:12Z) - BERT might be Overkill: A Tiny but Effective Biomedical Entity Linker
based on Residual Convolutional Neural Networks [41.528797439272175]
バイオメディカル・エンティティ・リンクのための残差接続を有する効率的な畳み込みニューラルネットワークを提案する。
我々のモデルは、最先端のBERTベースモデルと同等またはそれ以上のリンク精度を実現する。
論文 参考訳(メタデータ) (2021-09-06T04:25:47Z) - A Lightweight Neural Model for Biomedical Entity Linking [1.8047694351309205]
本論文では,生物医学的実体連携のための軽量ニューラル手法を提案する。
本手法では,アライメント層とアライメント機構を用いて参照とエンティティ名の違いをキャプチャする。
私達のモデルは標準的な評価のベンチマークの前の仕事と競争です。
論文 参考訳(メタデータ) (2020-12-16T10:34:37Z)
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。