論文の概要: Extracting Fine-Grained Knowledge Graphs of Scientific Claims: Dataset and Transformer-Based Results

• arxiv url: http://arxiv.org/abs/2109.10453v1
• Date: Tue, 21 Sep 2021 22:54:09 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-23 22:57:43.312589
• Title: Extracting Fine-Grained Knowledge Graphs of Scientific Claims: Dataset and Transformer-Based Results
• Title（参考訳）: 科学的クレームのきめ細かい知識グラフの抽出:データセットとトランスフォーマーに基づく結果
• Authors: Ian H. Magnusson and Scott E. Friedman
• Abstract要約: SciClaimは、社会行動科学(SBS)、PubMed、CORD-19の論文から得られた科学的主張のデータセットです。 我々の新しいグラフアノテーションスキーマは、粗粒度エンティティをノードとして、関係をエッジとして、またエンティティとそれらの関係を変更する細粒度属性を組み込んでいます。 ラベルの種類が増加し、以前のデータセットのラベル密度が2倍以上になることにより、SciClaimは、実験変数に対する因果関係、比較、予測、統計、比例関係、およびそれらの資格、サブタイプ、証拠をキャプチャする。
• 参考スコア（独自算出の注目度）: 0.5710971447109948
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent transformer-based approaches demonstrate promising results on relational scientific information extraction. Existing datasets focus on high-level description of how research is carried out. Instead we focus on the subtleties of how experimental associations are presented by building SciClaim, a dataset of scientific claims drawn from Social and Behavior Science (SBS), PubMed, and CORD-19 papers. Our novel graph annotation schema incorporates not only coarse-grained entity spans as nodes and relations as edges between them, but also fine-grained attributes that modify entities and their relations, for a total of 12,738 labels in the corpus. By including more label types and more than twice the label density of previous datasets, SciClaim captures causal, comparative, predictive, statistical, and proportional associations over experimental variables along with their qualifications, subtypes, and evidence. We extend work in transformer-based joint entity and relation extraction to effectively infer our schema, showing the promise of fine-grained knowledge graphs in scientific claims and beyond.
• Abstract（参考訳）: 近年の変圧器に基づくアプローチは, 関係科学情報抽出における有望な成果を示している。 既存のデータセットは、研究の実施方法の高レベルな説明に焦点を当てている。 代わりに私たちは、社会行動科学(sbs)、pubmed、cord-19の論文から得られた科学的な主張のデータセットであるsciclaimを構築することで、実験的な関連がどのように提示されるかについての微妙な点に注目します。 我々の新しいグラフアノテーションスキーマは、粗粒度エンティティをノードとして、それらの間のエッジとして、そしてエンティティとその関係を変更する細粒度属性を、コーパス内の合計12,738個のラベルに組み込む。 より多くのラベルタイプと以前のデータセットのラベル密度を2倍以上含むことで、sciclaimは、その資格、サブタイプ、証拠とともに、実験変数に対する因果関係、比較値、予測値、統計値、比例関係をキャプチャする。 我々は、トランスフォーマティブ・エンティティと関係抽出の作業を拡張し、我々のスキーマを効果的に推論し、科学的なクレームのきめ細かい知識グラフの期待を示す。

関連論文リスト

• SciER: An Entity and Relation Extraction Dataset for Datasets, Methods, and Tasks in Scientific Documents [49.54155332262579]
  我々は,科学論文のデータセット,メソッド,タスクに関連するエンティティに対して,新たなエンティティと関係抽出データセットをリリースする。 我々のデータセットには、24k以上のエンティティと12kの関係を持つ106の注釈付きフルテキストの科学出版物が含まれています。
  論文  参考訳（メタデータ） (2024-10-28T15:56:49Z)
• The Heterophilic Graph Learning Handbook: Benchmarks, Models, Theoretical Analysis, Applications and Challenges [101.83124435649358]
  ホモフィリ原理では、同じラベルや類似属性を持つieノードが接続される可能性が高い。 最近の研究で、GNNのパフォーマンスとNNのパフォーマンスが満足できない非自明なデータセットが特定されている。
  論文  参考訳（メタデータ） (2024-07-12T18:04:32Z)
• 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)
• Predicting Scientific Impact Through Diffusion, Conformity, and Contribution Disentanglement [11.684776349325887]
  既存のモデルは、引用数推定に静的グラフに依存するのが一般的である。 論文の拡散, コンフォーマル性, コントリビューション値に潜在的影響を分散させる新しいモデルDPPDCCを導入する。
  論文  参考訳（メタデータ） (2023-11-15T07:21:11Z)
• Drug Synergistic Combinations Predictions via Large-Scale Pre-Training and Graph Structure Learning [82.93806087715507]
  薬物併用療法は、より有効で安全性の低い疾患治療のための確立された戦略である。 ディープラーニングモデルは、シナジスティックな組み合わせを発見する効率的な方法として登場した。 我々のフレームワークは、他のディープラーニングベースの手法と比較して最先端の結果を達成する。
  論文  参考訳（メタデータ） (2023-01-14T15:07:43Z)
• PcMSP: A Dataset for Scientific Action Graphs Extraction from Polycrystalline Materials Synthesis Procedure Text [1.9573380763700712]
  このデータセットは、実験段落から抽出された合成文と、エンティティの言及と文内関係を同時に含んでいる。 PcMSPコーパスの品質を保証する2段階の人間アノテーションとアノテーション間合意研究を行った。 本稿では,4つの自然言語処理タスクを紹介する。文分類,名前付きエンティティ認識,関係分類,エンティティと関係の合同抽出である。
  論文  参考訳（メタデータ） (2022-10-22T09:43:54Z)
• Implications of Topological Imbalance for Representation Learning on Biomedical Knowledge Graphs [16.566710222582618]
  知識グラフ埋め込みモデルが構造的不均衡によってどのように影響を受けるかを示す。 グラフトポロジを摂動させて、ランダムで生物学的に無意味な情報によって遺伝子ランクを人工的に変化させる方法を示す。
  論文  参考訳（メタデータ） (2021-12-13T11:20:36Z)
• Joint Biomedical Entity and Relation Extraction with Knowledge-Enhanced Collective Inference [42.255596963210564]
  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。
  論文  参考訳（メタデータ） (2021-05-27T21:33:34Z)
• Hyperbolic Graph Embedding with Enhanced Semi-Implicit Variational Inference [48.63194907060615]
  半単純グラフ変分自動エンコーダを用いて,低次元グラフ潜在表現における高次統計量を取得する。 我々は、階層構造を示すグラフを効率的に表現するために、ポインケア埋め込みを通して潜在空間に双曲幾何学を組み込む。
  論文  参考訳（メタデータ） (2020-10-31T05:48:34Z)
• HittER: Hierarchical Transformers for Knowledge Graph Embeddings [85.93509934018499]
  複雑な知識グラフにおける実体と関係の表現を学習するためにHittを提案する。 実験結果から,Hittは複数リンク予測において最先端の新たな結果が得られることがわかった。 さらに,HittをBERTに統合する簡単なアプローチを提案し,その効果を2つのFreebaseファクトイド対応データセットで示す。
  論文  参考訳（メタデータ） (2020-08-28T18:58:15Z)

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。