論文の概要: Knowledge-based Extraction of Cause-Effect Relations from Biomedical Text

• arxiv url: http://arxiv.org/abs/2103.06078v1
• Date: Wed, 10 Mar 2021 14:31:46 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-11 14:58:10.336992
• Title: Knowledge-based Extraction of Cause-Effect Relations from Biomedical Text
• Title（参考訳）: バイオメディカルテキストによる因果関係の知識に基づく抽出
• Authors: Sachin Pawar, Ravina More, Girish K. Palshikar, Pushpak Bhattacharyya, Vasudeva Varma
• Abstract要約: 我々のアプローチは、因果的引き金を発見する教師なし機械学習技術と、高精度な言語規則の組み合わせである。 568,528文からなる58,761個の白血病関連PubMed抽象語を用いたアプローチの評価を行った。
• 参考スコア（独自算出の注目度）: 37.06925225826795
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a knowledge-based approach for extraction of Cause-Effect (CE) relations from biomedical text. Our approach is a combination of an unsupervised machine learning technique to discover causal triggers and a set of high-precision linguistic rules to identify cause/effect arguments of these causal triggers. We evaluate our approach using a corpus of 58,761 Leukaemia-related PubMed abstracts consisting of 568,528 sentences. We could extract 152,655 CE triplets from this corpus where each triplet consists of a cause phrase, an effect phrase and a causal trigger. As compared to the existing knowledge base - SemMedDB (Kilicoglu et al., 2012), the number of extractions are almost twice. Moreover, the proposed approach outperformed the existing technique SemRep (Rindflesch and Fiszman, 2003) on a dataset of 500 sentences.
• Abstract（参考訳）: バイオメディカルテキストから因果関係(CE)を抽出するための知識に基づくアプローチを提案する。 提案手法は,因果トリガを発見するための教師なし機械学習手法と,これらの因果トリガの原因/効果引数を識別するための高精度言語規則の組み合わせを組み合わせたものである。 568,528文からなる58,761個の白血病関連PubMed抽象語を用いたアプローチの評価を行った。 このコーパスから152,655ceのトリプレットを抽出でき、それぞれのトリプレットが原因フレーズ、効果フレーズ、因果トリガーで構成されている。 既存の知識ベースであるSemMedDB (Kilicoglu et al., 2012)と比較して、抽出数はおよそ2倍である。 さらに提案手法は500文のデータセット上で既存のSemRep(Rindflesch and Fiszman, 2003)よりも優れていた。

関連論文リスト

• Detection of fields of applications in biomedical abstracts with the support of argumentation elements [0.0]
  議論的要素は、出版物の特定の部分に焦点を当てることを可能にする。 バイオメディシンにおける特定の課題に対する議論要素の抽出のためのツールの評価を行った。
  論文  参考訳（メタデータ） (2024-04-09T08:44:02Z)
• Zero-shot Causal Graph Extrapolation from Text via LLMs [50.596179963913045]
  我々は,自然言語から因果関係を推定する大規模言語モデル (LLM) の能力を評価する。 LLMは、(特別な)トレーニングサンプルを必要とせずにペア関係のベンチマークで競合性能を示す。 我々は、反復的なペアワイズクエリを通して因果グラフを外挿するアプローチを拡張した。
  論文  参考訳（メタデータ） (2023-12-22T13:14:38Z)
• High-throughput Biomedical Relation Extraction for Semi-Structured Web Articles Empowered by Large Language Models [1.9665865095034865]
  関係抽出タスクを大言語モデルのバイナリ分類として定式化する。 メインタイトルをテールエンティティとして指定し、コンテキストに明示的に組み込む。 長い内容はテキストチャンクにスライスされ、埋め込みされ、追加の埋め込みモデルで検索される。
  論文  参考訳（メタデータ） (2023-12-13T16:43:41Z)
• A Causal Framework for Decomposing Spurious Variations [68.12191782657437]
  我々はマルコフモデルとセミマルコフモデルの急激な変分を分解するツールを開発する。 突発効果の非パラメトリック分解を可能にする最初の結果を証明する。 説明可能なAIや公平なAIから、疫学や医学における疑問まで、いくつかの応用がある。
  論文  参考訳（メタデータ） (2023-06-08T09:40:28Z)
• CausalDialogue: Modeling Utterance-level Causality in Conversations [83.03604651485327]
  クラウドソーシングを通じて、CausalDialogueという新しいデータセットをコンパイルし、拡張しました。 このデータセットは、有向非巡回グラフ(DAG)構造内に複数の因果効果対を含む。 ニューラル会話モデルの訓練における発話レベルにおける因果性の影響を高めるために,Exponential Average Treatment Effect (ExMATE) と呼ばれる因果性強化手法を提案する。
  論文  参考訳（メタデータ） (2022-12-20T18:31:50Z)
• Supporting Medical Relation Extraction via Causality-Pruned Semantic Dependency Forest [8.73855139557187]
  本稿では,因果的説明理論に基づく医用テキストからの意味的・統語的情報をモデル化する手法を提案する。 我々はセマンティック埋め込み1-best依存木からなる依存林を生成する。 タスク固有の因果説明器を用いて依存林をプルークし、それを設計したグラフ畳み込みネットワークに入力し、対応する表現を学習する。
  論文  参考訳（メタデータ） (2022-08-29T10:17:47Z)
• BaCaDI: Bayesian Causal Discovery with Unknown Interventions [118.93754590721173]
  BaCaDIは因果構造と介入の両方の潜在確率的表現の連続的な空間で機能する。 BaCaDIは、合成因果発見タスクとシミュレートされた遺伝子発現データの実験において、因果構造と介入ターゲットを識別する関連手法より優れている。
  論文  参考訳（メタデータ） (2022-06-03T16:25:48Z)
• Informative Causality Extraction from Medical Literature via Dependency-tree based Patterns [5.105000853556319]
  医学文献では、文中の因果句は単に名詞や名詞句ではなく、複数の単語からなる複雑な句である。 提案手法はまず,原因・影響関連パターンの集合をテンプレートとして用いて,原因・影響句の見出しを抽出する。 PubMedの記事の文から構築された因果効果データセットの実験は、PatternCausalityが既存の方法よりもかなり優れていることを示している。
  論文  参考訳（メタデータ） (2022-03-13T07:26:04Z)
• Fine-Grained Causality Extraction From Natural Language Requirements Using Recursive Neural Tensor Networks [4.3809778768125875]
  本稿では,再帰的ニューラルネットワークに基づく微粒な因果抽出器を提案する。 我々のアプローチは、自然言語で書かれた因果文の合成を回復することができる。
  論文  参考訳（メタデータ） (2021-07-21T09:52:10Z)
• Text Mining to Identify and Extract Novel Disease Treatments From Unstructured Datasets [56.38623317907416]
  Google Cloudを使って、NPRラジオ番組のポッドキャストのエピソードを書き起こします。 次に、テキストを体系的に前処理するためのパイプラインを構築します。 我々のモデルは、Omeprazoleが心臓熱傷の治療に役立てることに成功しました。
  論文  参考訳（メタデータ） (2020-10-22T19:52:49Z)

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。