論文の概要: KenMeSH: Knowledge-enhanced End-to-end Biomedical Text Labelling

• arxiv url: http://arxiv.org/abs/2203.06835v1
• Date: Mon, 14 Mar 2022 03:09:56 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-15 14:48:16.872148
• Title: KenMeSH: Knowledge-enhanced End-to-end Biomedical Text Labelling
• Title（参考訳）: KenMeSH:知識に富んだエンドツーエンドのバイオメディカルテキストラベリング
• Authors: Xindi Wang, Robert E. Mercer, Frank Rudzicz
• Abstract要約: 現在、MeSH(Messical Subject Headings)は、PubMedデータベースに記録されたすべてのバイオメディカル記事に手動で割り当てられ、関連する情報の検索を容易にする。 我々は、新しいテキスト機能と動的textbfKnowledge-textbfenhancedマスクアテンションを組み合わせたエンドツーエンドモデルであるKenMeSHを提案する。
• 参考スコア（独自算出の注目度）: 19.321887243319924
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Currently, Medical Subject Headings (MeSH) are manually assigned to every biomedical article published and subsequently recorded in the PubMed database to facilitate retrieving relevant information. With the rapid growth of the PubMed database, large-scale biomedical document indexing becomes increasingly important. MeSH indexing is a challenging task for machine learning, as it needs to assign multiple labels to each article from an extremely large hierachically organized collection. To address this challenge, we propose KenMeSH, an end-to-end model that combines new text features and a dynamic \textbf{K}nowledge-\textbf{en}hanced mask attention that integrates document features with MeSH label hierarchy and journal correlation features to index MeSH terms. Experimental results show the proposed method achieves state-of-the-art performance on a number of measures.
• Abstract（参考訳）: 現在、MeSH(Messical Subject Headings)は、PubMedデータベースに記録されたすべてのバイオメディカル記事に手動で割り当てられ、関連する情報の検索を容易にする。 PubMedデータベースの急速な成長に伴い,大規模バイオメディカル文書インデックス作成の重要性が高まっている。 メッシュインデクシングは、非常に大規模な階層的なコレクションから各記事に複数のラベルを割り当てる必要があるため、マシンラーニングでは困難なタスクである。 この課題に対処するために、新しいテキスト機能と動的 \textbf{K}nowledge-\textbf{en}hanced mask attentionを組み合わせたエンドツーエンドモデルであるKenMeSHを提案する。 実験結果から, 提案手法は, 様々な測定結果に基づいて最先端の性能を実現する。

関連論文リスト

• AutoMIR: Effective Zero-Shot Medical Information Retrieval without Relevance Labels [19.90354530235266]
  本稿では,自己学習仮説文書埋め込み (SL-HyDE) という新しい手法を導入し,この問題に対処する。 SL-HyDEは、与えられたクエリに基づいて仮説文書を生成するために、大きな言語モデル(LLM)をジェネレータとして利用する。 実世界の医療シナリオを基盤とした総合的な評価フレームワークとして,中国医療情報検索ベンチマーク(CMIRB)を提案する。
  論文  参考訳（メタデータ） (2024-10-26T02:53:20Z)
• Eye-gaze Guided Multi-modal Alignment for Medical Representation Learning [65.54680361074882]
  アイゲイズガイドマルチモーダルアライメント(EGMA)フレームワークは、アイゲイズデータを利用して、医用視覚的特徴とテキスト的特徴のアライメントを改善する。 我々は4つの医療データセット上で画像分類と画像テキスト検索の下流タスクを行う。
  論文  参考訳（メタデータ） (2024-03-19T03:59:14Z)
• Diversifying Knowledge Enhancement of Biomedical Language Models using Adapter Modules and Knowledge Graphs [54.223394825528665]
  我々は、軽量なアダプターモジュールを用いて、構造化された生体医学的知識を事前訓練された言語モデルに注入するアプローチを開発した。 バイオメディカル知識システムUMLSと新しいバイオケミカルOntoChemの2つの大きなKGと、PubMedBERTとBioLinkBERTの2つの著名なバイオメディカルPLMを使用している。 計算能力の要件を低く保ちながら,本手法がいくつかの事例において性能改善につながることを示す。
  論文  参考訳（メタデータ） (2023-12-21T14:26:57Z)
• DiscoverPath: A Knowledge Refinement and Retrieval System for Interdisciplinarity on Biomedical Research [96.10765714077208]
  従来のキーワードベースの検索エンジンは、特定の用語に慣れていないユーザーを支援するのに不足している。 本稿では, バイオメディカル研究のための知識グラフに基づく紙検索エンジンを提案し, ユーザエクスペリエンスの向上を図る。 DiscoverPathと呼ばれるこのシステムは、名前付きエンティティ認識(NER)とPOSタグを使って、記事の要約から用語や関係を抽出し、KGを作成する。
  論文  参考訳（メタデータ） (2023-09-04T20:52:33Z)
• PGB: A PubMed Graph Benchmark for Heterogeneous Network Representation Learning [5.747361083768407]
  バイオメディカル文献のための異種グラフ埋め込み評価のための新しいベンチマークであるPubMed Graph Benchmark (PGB)を紹介する。 ベンチマークには、抽象的な著者、引用、MeSH階層、MeSH階層、その他の情報を含む豊富なメタデータが含まれている。
  論文  参考訳（メタデータ） (2023-05-04T10:09:08Z)
• Incorporating Emotions into Health Mention Classification Task on Social Media [70.23889100356091]
  情緒的特徴を取り入れた健康言及分類のための枠組みを提案する。 我々は,ソーシャルメディアプラットフォームによる5つのHMC関連データセットに対するアプローチを評価した。 以上の結果から,感情的な知識を取り入れたHMCモデルが有効な選択肢であることが示唆された。
  論文  参考訳（メタデータ） (2022-12-09T18:38:41Z)
• MeSHup: A Corpus for Full Text Biomedical Document Indexing [19.321887243319924]
  我々は、英語で1,342,667のフルテキスト記事を含む大規模注釈付きMeSHインデックスコーパスMeSHupをリリースする。 コーパス上の文書とその関連ラベルの機能を組み合わせたエンドツーエンドモデルをトレーニングし、新しいベースラインを報告します。
  論文  参考訳（メタデータ） (2022-04-28T16:04:20Z)
• Zero-Shot and Few-Shot Classification of Biomedical Articles in Context of the COVID-19 Pandemic [9.69016170685883]
  新型コロナウイルス(COVID-19)パンデミックの文脈では、MeSH記述子は対応するトピックに関する記事に関連して現れている。 本研究では、MeSHで利用可能なリッチな意味情報は、BioBERT表現を改善する可能性があると仮定する。
  論文  参考訳（メタデータ） (2022-01-09T14:12:48Z)
• Priberam at MESINESP Multi-label Classification of Medical Texts Task [3.195417382176902]
  この研究は、BioASQ タスク Mesinesp における Priberam の参加を示している。 4つの異なるモデルを用いて,大規模マルチラベル分類問題に対処する。 その結果,3つのモデルすべてが良好に動作し,最良性能はアンサンブルによって達成されることがわかった。
  論文  参考訳（メタデータ） (2021-05-12T12:14:16Z)
• MATCH: Metadata-Aware Text Classification in A Large Hierarchy [60.59183151617578]
  MATCHはメタデータと階層情報の両方を利用するエンドツーエンドのフレームワークである。 親による各子ラベルのパラメータと出力確率を正規化するさまざまな方法を提案します。 大規模なラベル階層を持つ2つの大規模なテキストデータセットの実験は、MATCHの有効性を示しています。
  論文  参考訳（メタデータ） (2021-02-15T05:23:08Z)
• SupMMD: A Sentence Importance Model for Extractive Summarization using Maximum Mean Discrepancy [92.5683788430012]
  SupMMDは、カーネルの2サンプルテストと最大の相違点に基づく、ジェネリックおよび更新の要約のための新しいテクニックである。 DUC-2004 および TAC-2009 データセット上での現在の技術状況を満たしたり超えたりすることで,SupMMD の総合的および更新的要約タスクにおける有効性を示す。
  論文  参考訳（メタデータ） (2020-10-06T09:26:55Z)

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。