論文の概要: Neural Architectures for Biological Inter-Sentence Relation Extraction
- arxiv url: http://arxiv.org/abs/2112.09288v1
- Date: Fri, 17 Dec 2021 02:32:58 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-21 03:32:37.777579
- Title: Neural Architectures for Biological Inter-Sentence Relation Extraction
- Title（参考訳）: 生体間関係抽出のためのニューラルアーキテクチャ
- Authors: Enrique Noriega-Atala, Peter M. Lovett, Clayton T. Morrison, Mihai
Surdeanu
- Abstract要約: 文間関係抽出のためのディープラーニングアーキテクチャのファミリーを紹介する。
バイオケミカルイベントに生物学的コンテキストを割り当てるために,これらのアーキテクチャを適用した。
- 参考スコア（独自算出の注目度）: 11.936841769143353
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce a family of deep-learning architectures for inter-sentence
relation extraction, i.e., relations where the participants are not necessarily
in the same sentence. We apply these architectures to an important use case in
the biomedical domain: assigning biological context to biochemical events. In
this work, biological context is defined as the type of biological system
within which the biochemical event is observed. The neural architectures encode
and aggregate multiple occurrences of the same candidate context mentions to
determine whether it is the correct context for a particular event mention. We
propose two broad types of architectures: the first type aggregates multiple
instances that correspond to the same candidate context with respect to event
mention before emitting a classification; the second type independently
classifies each instance and uses the results to vote for the final class, akin
to an ensemble approach. Our experiments show that the proposed neural
classifiers are competitive and some achieve better performance than previous
state of the art traditional machine learning methods without the need for
feature engineering. Our analysis shows that the neural methods particularly
improve precision compared to traditional machine learning classifiers and also
demonstrates how the difficulty of inter-sentence relation extraction increases
as the distance between the event and context mentions increase.
- Abstract（参考訳）: 文間関係抽出のためのディープラーニングアーキテクチャのファミリ、すなわち、参加者が必ずしも同じ文にない関係について紹介する。
これらのアーキテクチャを,生物医学領域における重要なユースケースである生化学的事象に生物学的文脈を割り当てることに適用する。
この研究において、生物学的文脈は、生化学的事象が観測される生体系のタイプとして定義される。
ニューラルネットワークは、同じ候補コンテキストの複数の発生をエンコードして集約し、特定のイベント参照の正しいコンテキストかどうかを決定する。
分類を発行する前に、同じ候補コンテキストに対応する複数のインスタンスを集約する第1のタイプと、各インスタンスを独立に分類し、最終クラスに投票するために結果を使用する第2のタイプと、アンサンブルアプローチに似た2つの幅広いタイプのアーキテクチャを提案する。
実験の結果,提案するニューラル分類器は競争力があり,機能工学を必要とせず,従来の機械学習手法よりも優れた性能が得られることがわかった。
分析の結果,従来の機械学習分類器に比べて精度が向上し,イベントとコンテキスト間の距離が大きくなるにつれて,文間関係抽出の難しさが増すことが示された。
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) - ReOnto: A Neuro-Symbolic Approach for Biomedical Relation Extraction [3.263873198567265]
ReOnto Relation extract (RE)は、文中のエンティティ間の意味関係を抽出し、語彙で定義された関係に整合させるタスクである。
本稿では,REタスクに神経記号的知識を活用する新しい手法を提案する。
BioRel と ADE の2つの公開バイオメディカルデータセットによる実験結果から,本手法がすべての基準値を上回っていることが確認された。
論文 参考訳（メタデータ） (2023-09-04T05:36:58Z) - Exploring the In-context Learning Ability of Large Language Model for
Biomedical Concept Linking [4.8882241537236455]
本研究では,生物医学的概念リンクのための大規模モデルのコンテキスト内学習機能を活用する手法について検討する。
提案手法は2段階のレトリーブ・アンド・ランク・フレームワークを採用する。
BC5CDRの病体正規化では90.%、化学体正規化では94.7%の精度を達成した。
論文 参考訳（メタデータ） (2023-07-03T16:19:50Z) - How Do In-Context Examples Affect Compositional Generalization? [86.57079616209474]
本稿では,コンテクスト内構成一般化を検証するためのテストスイートであるCoFeを提案する。
構成一般化性能は、文脈内例の選択によって容易に影響を受けることが判明した。
我々の系統実験は、文脈内サンプルは、テストケースと構造的に似ており、互いに異なっており、個別に単純であることを示します。
論文 参考訳（メタデータ） (2023-05-08T16:32:18Z) - Automatic Biomedical Term Clustering by Learning Fine-grained Term
Representations [0.8154691566915505]
最先端の用語埋め込みは、事前訓練された言語モデルを利用して用語をエンコードし、知識グラフからの同義語と関係知識を使用して、対照的な学習を導く。
これらの埋め込みは、バイオメディカルな用語クラスタリングの失敗につながる小さなテキストの違いに敏感ではない。
この問題を軽減するため,動的ハード・ポジティと負のサンプルを提供することにより,プレトレーニング項埋め込みにおけるサンプリング戦略を調整した。
我々は提案手法をCODER++と命名し,新たにリリースされたBIOSというバイオメディカル知識グラフのバイオメディカル概念のクラスタリングに適用した。
論文 参考訳（メタデータ） (2022-04-01T12:30:58Z) - An Empirical Study on Relation Extraction in the Biomedical Domain [0.0]
文レベルの関係抽出と文書レベルの関係抽出について検討し、いくつかのベンチマークデータセット上で最先端の手法を実行する。
以上の結果から,(1)現行の文書レベルの関係抽出手法は高い一般化能力を有し,(2)既存の手法では,バイオメディシンのモデル微調整に大量のラベル付きデータを必要とすることがわかった。
論文 参考訳（メタデータ） (2021-12-11T03:36:38Z) - Learning Informative Representations of Biomedical Relations with Latent
Variable Models [2.4366811507669115]
本稿では,任意に柔軟な分布を持つ潜在変数モデルを提案する。
我々のモデルは、パラメータが少なく、トレーニングがかなり速く、両方のタスクの強いベースラインと競合する結果が得られることを実証する。
論文 参考訳（メタデータ） (2020-11-20T08:56:31Z) - Symbiotic Adversarial Learning for Attribute-based Person Search [86.7506832053208]
本稿では,共生学習の枠組みとして,共生学習の基盤に2つのGANを配置する。
具体的には、2種類の生成的敵ネットワークがトレーニングプロセスを通して協調的に学習する。
論文 参考訳（メタデータ） (2020-07-19T07:24:45Z) - A Trainable Optimal Transport Embedding for Feature Aggregation and its
Relationship to Attention [96.77554122595578]
固定サイズのパラメータ化表現を導入し、与えられた入力セットから、そのセットとトレーニング可能な参照の間の最適な輸送計画に従って要素を埋め込み、集約する。
我々のアプローチは大規模なデータセットにスケールし、参照のエンドツーエンドのトレーニングを可能にすると同時に、計算コストの少ない単純な教師なし学習メカニズムも提供する。
論文 参考訳（メタデータ） (2020-06-22T08:35:58Z) - Pairwise Supervision Can Provably Elicit a Decision Boundary [84.58020117487898]
類似性学習は、パターンのペア間の関係を予測することによって有用な表現を引き出す問題である。
類似性学習は、決定境界を直接引き出すことによって二項分類を解くことができることを示す。
論文 参考訳（メタデータ） (2020-06-11T05:35:16Z)
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。