論文の概要: GraphPrompt: Graph-Based Prompt Templates for Biomedical Synonym Prediction

• arxiv url: http://arxiv.org/abs/2112.03002v2
• Date: Tue, 28 Nov 2023 14:37:45 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-30 18:04:34.411389
• Title: GraphPrompt: Graph-Based Prompt Templates for Biomedical Synonym Prediction
• Title（参考訳）: GraphPrompt: バイオメディカル同期予測のためのグラフベースのプロンプトテンプレート
• Authors: Hanwen Xu, Jiayou Zhang, Zhirui Wang, Shizhuo Zhang, Megh Manoj Bhalerao, Yucong Liu, Dawei Zhu, Sheng Wang
• Abstract要約: 我々は,70種類の概念と200万種類の概念-長期ペアを含む専門家計算データセットOBO-synを導入し,同義語予測手法の評価を行った。 グラフに応じてプロンプトテンプレートを生成するプロンプトベースの学習手法であるGraphPromptを提案する。 我々は,グラフベースのNLPタスクにグラフプロンプトとOBO-synデータセットを幅広く適用し,生物医学的データを多種多様な蓄積する基盤となることを想定する。
• 参考スコア（独自算出の注目度）: 12.604871572399722
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In the expansion of biomedical dataset, the same category may be labeled with different terms, thus being tedious and onerous to curate these terms. Therefore, automatically mapping synonymous terms onto the ontologies is desirable, which we name as biomedical synonym prediction task. Unlike biomedical concept normalization (BCN), no clues from context can be used to enhance synonym prediction, making it essential to extract graph features from ontology. We introduce an expert-curated dataset OBO-syn encompassing 70 different types of concepts and 2 million curated concept-term pairs for evaluating synonym prediction methods. We find BCN methods perform weakly on this task for not making full use of graph information. Therefore, we propose GraphPrompt, a prompt-based learning approach that creates prompt templates according to the graphs. GraphPrompt obtained 37.2\% and 28.5\% improvement on zero-shot and few-shot settings respectively, indicating the effectiveness of these graph-based prompt templates. We envision that our method GraphPrompt and OBO-syn dataset can be broadly applied to graph-based NLP tasks, and serve as the basis for analyzing diverse and accumulating biomedical data. All the data and codes are avalible at: https://github.com/HanwenXuTHU/GraphPrompt
• Abstract（参考訳）: バイオメディカルデータセットの拡張では、同じカテゴリが異なる用語でラベル付けされるため、これらの用語のキュレーションは退屈で面倒である。 したがって、生体同義語をオントロジーに自動的にマッピングすることが望ましいので、生体同義語予測タスクと呼ぶ。 生物医学的概念正規化(BCN)とは異なり、文脈からの手がかりは同義語予測を強化するために使用できず、オントロジーからグラフの特徴を抽出することが不可欠である。 我々は,70種類の概念と200万種類の概念-長期ペアを含む専門家計算データセットOBO-synを導入する。 グラフ情報を十分に活用しないbcn手法は,この課題において弱い性能を示す。 そこで本稿では,グラフに従ってプロンプトテンプレートを生成するプロンプトベースの学習手法であるGraphPromptを提案する。 GraphPromptはゼロショットと少数ショットの設定で37.2\%と28.5\%の改善を行い、グラフベースのプロンプトテンプレートの有効性を示した。 我々は,グラフベースのNLPタスクにグラフプロンプトとOBO-synデータセットを幅広く適用し,生物医学的データを多種多様な蓄積する基盤となることを想定する。 https://github.com/HanwenXuTHU/GraphPrompt

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)
• G-Retriever: Retrieval-Augmented Generation for Textual Graph Understanding and Question Answering [61.93058781222079]
  現実のテキストグラフを対象とするフレキシブルな問合せフレームワークを開発した。 一般のテキストグラフに対する最初の検索拡張生成(RAG)手法を提案する。 G-Retrieverは、このタスクをSteiner Tree最適化問題として定式化し、グラフ上でRAGを実行する。
  論文  参考訳（メタデータ） (2024-02-12T13:13:04Z)
• Self-supervised Learning for Heterogeneous Graph via Structure Information based on Metapath [9.757299837675204]
  自己教師付き表現学習はこの問題に対処するための潜在的アプローチである。 本稿では,メタパスに基づく構造情報を用いたヘテロジニアスグラフの教師付き学習手法を提案する。 ジャンプ数を予測するために、SESIMはデータ自体を使用してラベルを生成する。
  論文  参考訳（メタデータ） (2022-09-09T10:06:18Z)
• Semi-Supervised Hierarchical Graph Classification [54.25165160435073]
  ノードがグラフのインスタンスである階層グラフにおけるノード分類問題について検討する。 本稿では階層グラフ相互情報(HGMI)を提案し,理論的保証をもってHGMIを計算する方法を提案する。 本稿では,この階層グラフモデリングとSEAL-CI法がテキストおよびソーシャルネットワークデータに与える影響を実証する。
  論文  参考訳（メタデータ） (2022-06-11T04:05:29Z)
• Graph-in-Graph Network for Automatic Gene Ontology Description Generation [55.40404942182707]
  GO項記述生成という新しい課題を提案する。 本課題は、3つのカテゴリのうちの1つに属するGO項の機能を記述する文を自動生成することを目的とする。 提案するネットワークでは,2層グラフを導入している。第1層はGO項のグラフであり,各ノードがグラフ(遺伝子グラフ)でもある。
  論文  参考訳（メタデータ） (2022-06-10T18:17:17Z)
• Graph-in-Graph (GiG): Learning interpretable latent graphs in non-Euclidean domain for biological and healthcare applications [52.65389473899139]
  グラフは、医療領域において、非ユークリッドな非ユークリッドデータをユビキタスに表現し、分析するための強力なツールである。 近年の研究では、入力データサンプル間の関係を考慮すると、下流タスクに正の正の正則化効果があることが示されている。 タンパク質分類と脳イメージングのためのニューラルネットワークアーキテクチャであるGraph-in-Graph(GiG)を提案する。
  論文  参考訳（メタデータ） (2022-04-01T10:01:37Z)
• Neural Graph Matching for Pre-training Graph Neural Networks [72.32801428070749]
  グラフニューラルネットワーク(GNN)は、構造データのモデリングにおいて強力な能力を示している。 GMPTと呼ばれる新しいグラフマッチングベースのGNN事前学習フレームワークを提案する。 提案手法は,完全自己指導型プレトレーニングと粗粒型プレトレーニングに適用できる。
  論文  参考訳（メタデータ） (2022-03-03T09:53:53Z)
• Model-Agnostic Augmentation for Accurate Graph Classification [19.824105919844495]
  グラフ拡張は、グラフベースのタスクのパフォーマンスを改善するための重要な戦略である。 本研究では,有効拡張のための5つの望ましい特性を紹介する。 ソーシャルネットワークと分子グラフに関する実験により、NodeSamとSubMixはグラフ分類における既存のアプローチより優れていることが示された。
  論文  参考訳（メタデータ） (2022-02-21T10:37:53Z)
• Graphine: A Dataset for Graph-aware Terminology Definition Generation [17.978450464176863]
  本稿では,2,010,648の用語定義ペアをカバーする大規模用語定義データセットであるGraphineを提案する。 本稿では,トランスフォーマーとグラフニューラルネットワークを統合したグラフ認識定義生成モデルGraphexを提案する。
  論文  参考訳（メタデータ） (2021-09-09T03:29:23Z)
• 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)

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。