論文の概要: Joint Biomedical Entity and Relation Extraction with Knowledge-Enhanced Collective Inference

• arxiv url: http://arxiv.org/abs/2105.13456v1
• Date: Thu, 27 May 2021 21:33:34 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-31 13:42:15.101315
• Title: Joint Biomedical Entity and Relation Extraction with Knowledge-Enhanced Collective Inference
• Title（参考訳）: 知識強化集団推論による共同生体医学的実体と関係抽出
• Authors: Tuan Lai, Heng Ji, ChengXiang Zhai, and Quan Hung Tran
• Abstract要約: KECIという名前の結合エンティティと関係抽出のための外部知識を利用する新しいフレームワークを提案する。 KeCIは、グローバルリレーショナル情報をローカル表現に統合することで、参照スパンをエンティティにリンクする集合的なアプローチを採用している。 実験の結果、このフレームワークは2つの異なるベンチマークデータセットで新しい最先端の成果を得られることが判明した。
• 参考スコア（独自算出の注目度）: 42.255596963210564
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Compared to the general news domain, information extraction (IE) from biomedical text requires much broader domain knowledge. However, many previous IE methods do not utilize any external knowledge during inference. Due to the exponential growth of biomedical publications, models that do not go beyond their fixed set of parameters will likely fall behind. Inspired by how humans look up relevant information to comprehend a scientific text, we present a novel framework that utilizes external knowledge for joint entity and relation extraction named KECI (Knowledge-Enhanced Collective Inference). Given an input text, KECI first constructs an initial span graph representing its initial understanding of the text. It then uses an entity linker to form a knowledge graph containing relevant background knowledge for the the entity mentions in the text. To make the final predictions, KECI fuses the initial span graph and the knowledge graph into a more refined graph using an attention mechanism. KECI takes a collective approach to link mention spans to entities by integrating global relational information into local representations using graph convolutional networks. Our experimental results show that the framework is highly effective, achieving new state-of-the-art results in two different benchmark datasets: BioRelEx (binding interaction detection) and ADE (adverse drug event extraction). For example, KECI achieves absolute improvements of 4.59% and 4.91% in F1 scores over the state-of-the-art on the BioRelEx entity and relation extraction tasks.
• Abstract（参考訳）: 一般的なニュースドメインと比較して、バイオメディカルテキストからの情報抽出(IE)はより広範なドメイン知識を必要とする。 しかし、以前のieメソッドの多くは推論中に外部の知識を使用しない。 生物医学出版物の指数関数的な成長のため、固定されたパラメータセットを超えないモデルは遅れる可能性が高い。 そこで我々は,KECI (Knowledge-Enhanced Collective Inference, 知識強化型集団推論) という,共同エンティティと関係抽出のための外部知識を活用した新しい枠組みを提案する。 入力テキストが与えられると、keciはまずテキストの最初の理解を表す初期スパングラフを構築する。 その後、エンティティリンカを使用して、テキストで言及されているエンティティの関連する背景知識を含む知識グラフを形成する。 最終的な予測を行うため、KECIは注意機構を用いて初期スパングラフと知識グラフをより洗練されたグラフに融合する。 KECIは、グローバルリレーショナル情報をグラフ畳み込みネットワークを用いて局所表現に統合することで、参照スパンをエンティティにリンクする集合的なアプローチをとる。 実験の結果,BioRelEx(結合相互作用検出)とADE(逆薬物イベント抽出)の2つのベンチマークデータセットにおいて,このフレームワークは高い有効性を示した。 例えば、KECIはBioRelExエンティティと関係抽出タスクの最先端よりもF1スコアの4.59%と4.91%の絶対的な改善を実現している。

関連論文リスト

• Multimodal Contrastive Representation Learning in Augmented Biomedical Knowledge Graphs [2.006175707670159]
  PrimeKG++はマルチモーダルデータを組み込んだ豊富な知識グラフである。 提案手法は強い一般化可能性を示し,未知のノードに対しても正確なリンク予測を可能にする。
  論文  参考訳（メタデータ） (2025-01-03T05:29:12Z)
• Graph Relation Distillation for Efficient Biomedical Instance Segmentation [80.51124447333493]
  本稿では,効率的なバイオメディカル・インスタンス・セグメンテーションのためのグラフ関係蒸留手法を提案する。 画像内レベルと画像間レベルの両方に展開する2つのグラフ蒸留方式を導入する。 多くのバイオメディカルデータセットの実験結果から,本手法の有効性が検証された。
  論文  参考訳（メタデータ） (2024-01-12T04:41:23Z)
• Enhancing Biomedical Lay Summarisation with External Knowledge Graphs [28.956500948255677]
  そこで本研究では,知識グラフをレイ・サマリゼーション・モデルに組み込むための3つのアプローチの有効性について検討する。 この結果から,グラフベースのドメイン知識の統合は,生成したテキストの可読性を大幅に向上させることで,レイ・サマライズを著しく向上させることが可能であることが確認された。
  論文  参考訳（メタデータ） (2023-10-24T10:25:21Z)
• Dynamic Graph Enhanced Contrastive Learning for Chest X-ray Report Generation [92.73584302508907]
  コントラスト学習を用いた医療レポート作成を支援するために,動的構造とノードを持つ知識グラフを提案する。 詳しくは、グラフの基本構造は一般知識から事前構築される。 各イメージ機能は、レポート生成のためにデコーダモジュールに入力する前に、独自の更新グラフに統合される。
  論文  参考訳（メタデータ） (2023-03-18T03:53:43Z)
• Knowledge-Enhanced Relation Extraction Dataset [8.612433805862619]
  現在、知識強化関係抽出のための証拠文と知識グラフの両方を含む公開データセットは存在しない。 知識強化関係抽出データセット(KERED)について紹介する。 KEREDは各文にリレーショナルな事実を付加し、エンティティリンクを通じてエンティティの知識コンテキストを提供する。
  論文  参考訳（メタデータ） (2022-10-19T13:23:10Z)
• Knowledge Graph Augmented Network Towards Multiview Representation Learning for Aspect-based Sentiment Analysis [96.53859361560505]
  本稿では,知識グラフ拡張ネットワーク(KGAN)を提案する。 KGANは感情の特徴表現を、文脈、構文、知識に基づく複数の視点から捉えている。 3つの人気のあるABSAベンチマークの実験は、我々のKGANの有効性と堅牢性を示している。
  論文  参考訳（メタデータ） (2022-01-13T08:25:53Z)
• Edge: Enriching Knowledge Graph Embeddings with External Text [32.01476220906261]
  We propose a knowledge graph enrichment and embedded framework named Edge。 元の知識グラフが与えられたら、まず、セマンティックおよび構造レベルで外部テキストを使用してリッチだがノイズの多い拡張グラフを生成する。 関連する知識を抽出し,導入した雑音を抑制するため,元のグラフと拡張グラフとの共有埋め込み空間におけるグラフアライメント項を設計する。
  論文  参考訳（メタデータ） (2021-04-11T03:47:06Z)
• Biomedical Event Extraction with Hierarchical Knowledge Graphs [34.078835099079285]
  本稿では,Unified Medical Language System (UMLS) の知識を,グラフエッジ条件付き注意ネットワーク (GEANet) と階層グラフ表現による事前学習言語モデルに組み込むことを提案する。 BioNLP 2011 GENIA Event extract taskでは,全イベントの1.41% F1と3.19% F1の改善が達成された。
  論文  参考訳（メタデータ） (2020-09-20T02:25:05Z)
• ENT-DESC: Entity Description Generation by Exploring Knowledge Graph [53.03778194567752]
  実際には、出力記述が最も重要な知識のみをカバーするため、入力知識は十分以上である可能性がある。 我々は、KG-to-textにおけるこのような実践的なシナリオの研究を容易にするために、大規模で挑戦的なデータセットを導入する。 本稿では,元のグラフ情報をより包括的に表現できるマルチグラフ構造を提案する。
  論文  参考訳（メタデータ） (2020-04-30T14:16:19Z)
• Exploiting Structured Knowledge in Text via Graph-Guided Representation Learning [73.0598186896953]
  本稿では、知識グラフからのガイダンスを用いて、生テキスト上で学習する2つの自己教師型タスクを提案する。 エンティティレベルのマスキング言語モデルに基づいて、最初のコントリビューションはエンティティマスキングスキームです。 既存のパラダイムとは対照的に,本手法では事前学習時にのみ,知識グラフを暗黙的に使用する。
  論文  参考訳（メタデータ） (2020-04-29T14:22:42Z)

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。