論文の概要: Explainable Biomedical Recommendations via Reinforcement Learning Reasoning on Knowledge Graphs

• arxiv url: http://arxiv.org/abs/2111.10625v1
• Date: Sat, 20 Nov 2021 16:41:34 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-25 11:07:43.381342
• Title: Explainable Biomedical Recommendations via Reinforcement Learning Reasoning on Knowledge Graphs
• Title（参考訳）: 知識グラフに基づく強化学習推論による説明可能なバイオメディカルレコメンデーション
• Authors: Gavin Edwards, Sebastian Nilsson, Benedek Rozemberczki, Eliseo Papa
• Abstract要約: 知識グラフに基づくマルチホップ推論のニューロシンボリックアプローチは、透明な説明をもたらすことが示されている。 そこで本研究では,薬品発見のためのアプローチについて検討し,その適用性について確固たる結論を導いた。 このアプローチは、新しい生物学的な説明を生み出しながら、平均して21.7%のベースラインを上回ります。
• 参考スコア（独自算出の注目度）: 2.007262412327553
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: For Artificial Intelligence to have a greater impact in biology and medicine, it is crucial that recommendations are both accurate and transparent. In other domains, a neurosymbolic approach of multi-hop reasoning on knowledge graphs has been shown to produce transparent explanations. However, there is a lack of research applying it to complex biomedical datasets and problems. In this paper, the approach is explored for drug discovery to draw solid conclusions on its applicability. For the first time, we systematically apply it to multiple biomedical datasets and recommendation tasks with fair benchmark comparisons. The approach is found to outperform the best baselines by 21.7% on average whilst producing novel, biologically relevant explanations.
• Abstract（参考訳）: 人工知能が生物学や医学に大きな影響を与えるためには、推奨事項が正確かつ透明であることが不可欠である。 他の領域では、知識グラフに基づくマルチホップ推論のニューロシンボリックアプローチが透明な説明をもたらすことが示されている。 しかし、複雑な生体医学データセットや問題に適用する研究が不足している。 本稿では,その適用性に関する確固たる結論を創薬に導くためのアプローチを探究する。 複数のバイオメディカルデータセットや推奨タスクに、公正なベンチマーク比較で、初めて体系的に適用した。 このアプローチは、新しい生物学的な説明を生み出しながら、平均して21.7%のベースラインを上回ります。

関連論文リスト

• Causal Representation Learning from Multimodal Biological Observations [57.00712157758845]
  我々は,マルチモーダルデータに対するフレキシブルな識別条件の開発を目指している。 我々は、各潜伏成分の識別可能性を保証するとともに、サブスペース識別結果を事前の作業から拡張する。 我々の重要な理論的要素は、異なるモーダル間の因果関係の構造的空間性である。
  論文  参考訳（メタデータ） (2024-11-10T16:40:27Z)
• Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
  同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。 構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。 スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
  論文  参考訳（メタデータ） (2024-03-02T00:56:05Z)
• Graph-Based Retriever Captures the Long Tail of Biomedical Knowledge [2.2814097119704058]
  大規模言語モデル(LLM)は、膨大な知識を要約して提示することで、情報の検索方法を変えつつある。 LLMはトレーニングセットから最も頻繁に見られる情報を強調し、まれな情報を無視する傾向があります。 本稿では,これらのクラスタをダウンサンプリングし,情報過負荷問題を緩和するために知識グラフを活用する新しい情報検索手法を提案する。
  論文  参考訳（メタデータ） (2024-02-19T18:31:11Z)
• 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)
• Neurosymbolic AI for Reasoning on Biomedical Knowledge Graphs [0.9085310904484414]
  バイオメディカルデータセットは、しばしば知識グラフ(KG)としてモデル化される。 したがって、KG完了(KGC)は、研究者が薬物再配置などのタスクを予測するのに役立ちます。
  論文  参考訳（メタデータ） (2023-07-17T11:47:05Z)
• 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)
• BioIE: Biomedical Information Extraction with Multi-head Attention Enhanced Graph Convolutional Network [9.227487525657901]
  本稿では,バイオメディカルテキストと非構造化医療報告から関係を抽出するハイブリッドニューラルネットワークであるバイオメディカル情報抽出を提案する。 本研究は,2つの主要な生医学的関係抽出タスク,化学物質とタンパク質の相互作用,およびクロスホスピタル・パン・カンノロジー報告コーパスについて検討した。
  論文  参考訳（メタデータ） (2021-10-26T13:19:28Z)
• Discovering Drug-Target Interaction Knowledge from Biomedical Literature [107.98712673387031]
  人体における薬物と標的(DTI)の相互作用は、生物医学や応用において重要な役割を担っている。 毎年何百万もの論文がバイオメディカル分野で出回っているので、文学からDTIの知識を自動的に発見することは、業界にとって急激な需要となっている。 生成的アプローチを用いて,この課題に対する最初のエンドツーエンドソリューションについて検討する。 我々はDTI三重項をシーケンスとみなし、Transformerベースのモデルを使ってエンティティや関係の詳細なアノテーションを使わずに直接生成する。
  論文  参考訳（メタデータ） (2021-09-27T17:00:14Z)
• Neural Multi-Hop Reasoning With Logical Rules on Biomedical Knowledge Graphs [10.244651735862627]
  我々は,創薬の現実世界における課題に基づいて経験的研究を行う。 我々は,この課題を,化合物と疾患の両方が知識グラフの実体に対応するリンク予測問題として定式化する。 本稿では,強化学習と論理ルールに基づく政策誘導歩行を組み合わせた新しい手法PoLoを提案する。
  論文  参考訳（メタデータ） (2021-03-18T16:46:11Z)
• A Literature Review of Recent Graph Embedding Techniques for Biomedical Data [36.446560017794845]
  このようなデータを分析するために,グラフに基づく学習法が数多く提案されている。 主な困難は、バイオメディカルグラフの高次元性と空間性を扱う方法である。 グラフ埋め込みメソッドは、上記の問題に対処するための効率的かつ効率的な方法を提供する。
  論文  参考訳（メタデータ） (2021-01-17T01:53:50Z)
• SumGNN: Multi-typed Drug Interaction Prediction via Efficient Knowledge Graph Summarization [64.56399911605286]
  本稿では,サブグラフ抽出モジュールによって実現された知識要約グラフニューラルネットワークSumGNNを提案する。 SumGNNは5.54%まで最高のベースラインを上回り、データ関係の低いタイプでは特にパフォーマンスの向上が顕著である。
  論文  参考訳（メタデータ） (2020-10-04T00:14:57Z)

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。