Fugu-MT 論文翻訳(概要): Feature extraction and evaluation for BioMedical Question Answering

論文の概要: Feature extraction and evaluation for BioMedical Question Answering

arxiv url: http://arxiv.org/abs/2105.14013v1
Date: Fri, 28 May 2021 17:41:56 GMT
ステータス: 処理完了
システム内更新日: 2021-05-31 14:29:50.170253
Title: Feature extraction and evaluation for BioMedical Question Answering
Title（参考訳）: バイオメディカル質問応答の特徴抽出と評価
Authors: Ankit Shah, Srishti Singh, Shih-Yen Tao
Abstract要約: 本稿では,BioASQパイプラインについて紹介する。目標は、要約、イエス/ノー、ファクトイド、リストの4つのタイプに答えることである。パイプラインを使用して、あらゆる種類の質問に対して各モジュールの有効性をテストし、エラー解析を実行しました。
参考スコア（独自算出の注目度）: 1.9884691812067463
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: In this paper, we present our work on the BioASQ pipeline. The goal is to answer four types of questions: summary, yes/no, factoids, and list. Our goal is to empirically evaluate different modules involved: the feature extractor and the sentence selection block. We used our pipeline to test the effectiveness of each module for all kinds of question types and perform error analysis. We defined metrics that are useful for future research related to the BioASQ pipeline critical to improve the performance of the training pipeline.
Abstract（参考訳）: 本稿では,bioasqパイプラインの研究について述べる。目標は、要約、イエス/ノー、ファクトイド、リストの4種類の質問に答えることである。我々のゴールは、特徴抽出器と文選択ブロックという、異なるモジュールを経験的に評価することである。私たちはパイプラインを使って、あらゆる種類の質問タイプに対する各モジュールの有効性をテストし、エラー分析を行いました。私たちは、トレーニングパイプラインのパフォーマンスを改善するために重要なbioasqパイプラインに関する今後の研究に役立つメトリクスを定義しました。

関連論文リスト

Notes on Applicability of Explainable AI Methods to Machine Learning Models Using Features Extracted by Persistent Homology [0.0]
永続ホモロジー(PH)は機械学習に広く応用されている。比較的単純なダウンストリーム機械学習モデルで十分なレベルの精度を達成する能力は、これらの抽出された特徴を処理する際に、パイプラインの優れた解釈可能性の基盤となる。本稿では,このPH-MLパイプラインへの説明可能なAI手法の適用の可能性について検討する。
論文参考訳（メタデータ） (2023-10-15T08:56:15Z)
Query-focused Extractive Summarisation for Biomedical and COVID-19 Complex Question Answering [0.0]
本稿では,最近の2つのBioASQ Synergy Tasksへのマッコーリー大学の参加について述べる。本稿では, 問合せに焦点を絞った抽出要約手法を適用し, 生体医学的問題に対する複雑な回答を生成する。 The Synergy task, we selected the candidate sentences following two phases: document search and snippet search。そこで本研究では,BioASQ10bトレーニングデータの下半期にトレーニングを行った結果の改善について検討した。
論文参考訳（メタデータ） (2022-09-05T07:56:44Z)
Tyger: Task-Type-Generic Active Learning for Molecular Property Prediction [121.97742787439546]
分子の性質を正確に予測する方法は、AIによる薬物発見において重要な問題である。アノテーションのコストを削減するため,注釈付けのための最も代表的で情報性の高いデータのみを選択するために,深層能動学習法が開発された。本稿では,異なるタイプの学習タスクを統一的に処理できるタスク型汎用能動的学習フレームワーク(Tyger)を提案する。
論文参考訳（メタデータ） (2022-05-23T12:56:12Z)
Biological Sequence Design with GFlowNets [75.1642973538266]
望ましい性質を持つデノボ生物配列の設計には、数ラウンドの分子のアイデアと高価なウェットラブ評価を伴う活性ループが伴うことが多い。これにより、提案された候補の多様性は、構想段階において重要な考慮事項となる。本稿では,不確実性推定と近年提案されているGFlowNetを多種多様な候補解の生成元として活用した能動的学習アルゴリズムを提案する。
論文参考訳（メタデータ） (2022-03-02T15:53:38Z)
AnswerSumm: A Manually-Curated Dataset and Pipeline for Answer Summarization [73.91543616777064]
Stack OverflowやYahoo!のようなコミュニティ質問回答(CQA)フォーラムには、幅広いコミュニティベースの質問に対する回答の豊富なリソースが含まれている。回答の要約の1つのゴールは、回答の視点の範囲を反映した要約を作成することである。本研究は,専門言語学者による解答要約のための4,631個のCQAスレッドからなる新しいデータセットを導入する。
論文参考訳（メタデータ） (2021-11-11T21:48:02Z)
Slot Filling for Biomedical Information Extraction [0.5330240017302619]
バイオメディカルIEの課題に対してスロットフィリングアプローチを提案する。我々は、トランフォーマベースのバイエンコーダDense Passage RetrievalをTransformerベースのリーダーモデルと結合する提案パラダイムに従う。
論文参考訳（メタデータ） (2021-09-17T14:16:00Z)
Query-Focused Extractive Summarisation for Finding Ideal Answers to Biomedical and COVID-19 Questions [7.6997148655751895]
マカリー大学はBioASQ Synergy TaskとBioASQ9b Phase Bに参加した。我々は,BioASQ8bのトレーニングデータセットを用いて,問合せに着目した要約システムを用いた。システムによって回収された文書やスニペットの質が低かったことを踏まえ,回答の質は適度に良好であった。
論文参考訳（メタデータ） (2021-08-27T09:19:42Z)
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)
Scientific Claim Verification with VERT5ERINI [57.103189505636614]
本研究は,生物医学領域における科学的クレーム検証の課題への事前学習シーケンス・ツー・シーケンスモデルの適応について述べる。本稿では,抽象検索,文選択,ラベル予測にT5を利用するVERT5ERINIを提案する。 SCIFACTは、クレームの正確性を予測するだけでなく、この決定を支持する科学文献のコーパスから関連する文を提供するモデルを必要とする。
論文参考訳（メタデータ） (2020-10-22T17:56:33Z)
Scaling Systematic Literature Reviews with Machine Learning Pipelines [57.82662094602138]
体系的なレビューは、科学的文書からデータを抽出する。これらの側面をそれぞれ自動化するパイプラインを構築し、多くの人間時間対システム品質トレードオフを実験します。人間の専門的アノテーションの2週間だけで、パイプラインシステム全体の驚くほどの精度と一般性が得られることが分かりました。
論文参考訳（メタデータ） (2020-10-09T16:19:42Z)

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。