論文の概要: Classification of hierarchical text using geometric deep learning: the case of clinical trials corpus

• arxiv url: http://arxiv.org/abs/2110.15710v1
• Date: Mon, 4 Oct 2021 20:50:17 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-07 16:46:04.504296
• Title: Classification of hierarchical text using geometric deep learning: the case of clinical trials corpus
• Title（参考訳）: 幾何学的深層学習を用いた階層テキストの分類 : 臨床治験コーパスの場合
• Authors: Sohrab Ferdowsi and Nikolay Borissov and Julien Knafou and Poorya Amini and Douglas Teodoro
• Abstract要約: 文書の階層的表現をグラフと考え,幾何学的深層学習を用いて分類する。 提案した選択的なグラフプーリング操作により,さらなる性能向上が期待できることを示す。 本モデルを用いて,臨床治験(CT)プロトコルを完成品と終了品に分類する。
• 参考スコア（独自算出の注目度）: 0.8399688944263843
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We consider the hierarchical representation of documents as graphs and use geometric deep learning to classify them into different categories. While graph neural networks can efficiently handle the variable structure of hierarchical documents using the permutation invariant message passing operations, we show that we can gain extra performance improvements using our proposed selective graph pooling operation that arises from the fact that some parts of the hierarchy are invariable across different documents. We applied our model to classify clinical trial (CT) protocols into completed and terminated categories. We use bag-of-words based, as well as pre-trained transformer-based embeddings to featurize the graph nodes, achieving f1-scores around 0.85 on a publicly available large scale CT registry of around 360K protocols. We further demonstrate how the selective pooling can add insights into the CT termination status prediction. We make the source code and dataset splits accessible.
• Abstract（参考訳）: 文書の階層表現をグラフとみなし,幾何学的深層学習を用いて異なるカテゴリに分類する。 グラフニューラルネットワークは、置換不変メッセージパッシング操作を用いて階層文書の可変構造を効率的に処理できるが、提案する選択的グラフプーリング操作により、階層の一部が異なる文書にまたがって不変であるという事実により、さらにパフォーマンスが向上することを示す。 本モデルを用いて臨床試験(ct)プロトコルを完了・終了カテゴリーに分類した。 我々は,約360kプロトコルの公開可能な大規模ctレジストリ上で,単語のバガオブワードと,グラフノードの実現のために事前学習されたトランスフォーマーベースの埋め込みを使い,0.85のf1スコアを実現している。 さらに, 選択的プーリングがCT終端状態予測に対する洞察を与える方法を示す。 ソースコードとデータセットの分割をアクセス可能にする。

関連論文リスト

• Graph Neural Networks on Discriminative Graphs of Words [19.817473565906777]
  本研究では,単語グラフニューラルネットワーク(DGoW-GNN)によるテキストの識別手法を提案する。 本稿では,GNNとシーケンスモデルを組み合わせたグラフベースのテキスト分類の新しいモデルを提案する。 提案手法を7つのベンチマークデータセットで評価し,いくつかの最先端ベースラインモデルにより性能が向上していることを確認した。
  論文  参考訳（メタデータ） (2024-10-27T15:14:06Z)
• Leveraging Semantic Segmentation Masks with Embeddings for Fine-Grained Form Classification [0.0]
  史料の効率的な分類は系譜学、法学、歴史学などの分野において重要である。 本稿では、ResNet、マスク付き画像変換器(Di)、埋め込みセグメンテーションなどのディープラーニングモデルを統合した表現型学習戦略を提案する。
  論文  参考訳（メタデータ） (2024-05-23T04:28:50Z)
• Prompt Tuning for Parameter-efficient Medical Image Segmentation [79.09285179181225]
  2つの医用画像データセットのセマンティックセグメンテーションにパラメータ効率が良いが効果的な適応を実現するために,いくつかのコントリビューションを提案し,検討する。 我々はこのアーキテクチャを、オンライン生成プロトタイプへの割り当てに基づく専用密集型セルフスーパービジョンスキームで事前訓練する。 得られたニューラルネットワークモデルにより、完全に微調整されたモデルとパラメータに適応したモデルとのギャップを緩和できることを実証する。
  論文  参考訳（メタデータ） (2022-11-16T21:55:05Z)
• Autoregressive Search Engines: Generating Substrings as Document Identifiers [53.0729058170278]
  自動回帰言語モデルは、回答を生成するデファクト標準として現れています。 これまでの研究は、探索空間を階層構造に分割する方法を探究してきた。 本研究では,検索空間の任意の構造を強制しない代替として,経路内のすべてのngramを識別子として使用することを提案する。
  論文  参考訳（メタデータ） (2022-04-22T10:45:01Z)
• Representing Videos as Discriminative Sub-graphs for Action Recognition [165.54738402505194]
  ビデオ中の各アクションの識別パターンを表現およびエンコードするためのサブグラフの新たな設計を提案する。 時空グラフとクラスタを各スケールでコンパクトなサブグラフに新たに構築するMUlti-scale Sub-Earn Ling (MUSLE) フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-01-11T16:15:25Z)
• NodePiece: Compositional and Parameter-Efficient Representations of Large Knowledge Graphs [15.289356276538662]
  固定サイズのエンティティ語彙を学習するためのアンカーベースのアプローチであるNodePieceを提案する。 NodePieceでは、サブワード/サブエンティティユニットの語彙は、既知の関係型を持つグラフのアンカーノードから構築される。 実験の結果、NodePieceはノード分類、リンク予測、関係予測タスクで競合的に動作していることがわかった。
  論文  参考訳（メタデータ） (2021-06-23T03:51:03Z)
• Classification and Feature Transformation with Fuzzy Cognitive Maps [0.3299672391663526]
  Fuzzy Cognitive Maps(FCM)は、ファジィ論理と繰り返しニューラルネットワークの要素を組み合わせたソフトコンピューティング技術と考えられている。 本研究では,フルコネクテッドマップ構造を有するFCMに基づく分類器を提案する。 重みを勾配アルゴリズムで学習し,コスト関数としてloglossやcross-entropyを用いた。
  論文  参考訳（メタデータ） (2021-03-08T22:26:24Z)
• Inverse Graph Identification: Can We Identify Node Labels Given Graph Labels? [89.13567439679709]
  グラフ識別(GI)は、グラフ学習において長い間研究されており、特定の応用において不可欠である。 本稿では,逆グラフ識別(Inverse Graph Identification, IGI)と呼ばれる新しい問題を定義する。 本稿では,グラフアテンションネットワーク(GAT)を用いたノードレベルのメッセージパッシング処理を,GIのプロトコルの下でシンプルかつ効果的に行う方法を提案する。
  論文  参考訳（メタデータ） (2020-07-12T12:06:17Z)
• Sequential Graph Convolutional Network for Active Learning [53.99104862192055]
  逐次グラフ畳み込みネットワーク(GCN)を用いた新しいプールベースアクティブラーニングフレームワークを提案する。 少数のランダムなサンプル画像がシードラベル付き例であるので、グラフのパラメータを学習してラベル付きノードと非ラベル付きノードを区別する。 我々はGCNの特性を利用してラベル付けされたものと十分に異なる未ラベルの例を選択する。
  論文  参考訳（メタデータ） (2020-06-18T00:55:10Z)
• Heterogeneous Graph Neural Networks for Extractive Document Summarization [101.17980994606836]
  クロス文関係は、抽出文書要約における重要なステップである。 We present a graph-based neural network for extractive summarization (HeterSumGraph) 抽出文書要約のためのグラフベースニューラルネットワークに異なる種類のノードを導入する。
  論文  参考訳（メタデータ） (2020-04-26T14:38:11Z)

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。