論文の概要: Supporting Medical Relation Extraction via Causality-Pruned Semantic Dependency Forest

• arxiv url: http://arxiv.org/abs/2208.13472v1
• Date: Mon, 29 Aug 2022 10:17:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-30 13:39:02.954477
• Title: Supporting Medical Relation Extraction via Causality-Pruned Semantic Dependency Forest
• Title（参考訳）: 因果伐採されたセマンティック依存林による医療関係抽出支援
• Authors: Yifan Jin, Jiangmeng Li, Zheng Lian, Chengbo Jiao, Xiaohui Hu
• Abstract要約: 本稿では,因果的説明理論に基づく医用テキストからの意味的・統語的情報をモデル化する手法を提案する。 我々はセマンティック埋め込み1-best依存木からなる依存林を生成する。 タスク固有の因果説明器を用いて依存林をプルークし、それを設計したグラフ畳み込みネットワークに入力し、対応する表現を学習する。
• 参考スコア（独自算出の注目度）: 8.73855139557187
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Medical Relation Extraction (MRE) task aims to extract relations between entities in medical texts. Traditional relation extraction methods achieve impressive success by exploring the syntactic information, e.g., dependency tree. However, the quality of the 1-best dependency tree for medical texts produced by an out-of-domain parser is relatively limited so that the performance of medical relation extraction method may degenerate. To this end, we propose a method to jointly model semantic and syntactic information from medical texts based on causal explanation theory. We generate dependency forests consisting of the semantic-embedded 1-best dependency tree. Then, a task-specific causal explainer is adopted to prune the dependency forests, which are further fed into a designed graph convolutional network to learn the corresponding representation for downstream task. Empirically, the various comparisons on benchmark medical datasets demonstrate the effectiveness of our model.
• Abstract（参考訳）: 医療関係抽出(MRE)タスクは、医療テキスト中のエンティティ間の関係を抽出することを目的としている。 従来の関係抽出手法は、例えば依存木などの構文情報を探索することで、驚くべき成功を収める。 しかし、ドメイン外パーサによって生成された医療用テキストに対する1-best dependency treeの品質は相対的に制限され、医療関連抽出法の性能が低下する可能性がある。 そこで本研究では,因果的説明理論に基づく医用テキストからの意味と統語情報を共同でモデル化する手法を提案する。 我々はセマンティック埋め込み1-best依存木からなる依存林を生成する。 次に、タスク固有の因果説明器を用いて依存関係の森を掘り下げ、さらに設計済みのグラフ畳み込みネットワークに供給して、下流タスクの対応する表現を学ぶ。 実験的に、ベンチマーク医学データセットにおける様々な比較は、我々のモデルの有効性を示す。

関連論文リスト

• Zero-shot Causal Graph Extrapolation from Text via LLMs [50.596179963913045]
  我々は,自然言語から因果関係を推定する大規模言語モデル (LLM) の能力を評価する。 LLMは、(特別な)トレーニングサンプルを必要とせずにペア関係のベンチマークで競合性能を示す。 我々は、反復的なペアワイズクエリを通して因果グラフを外挿するアプローチを拡張した。
  論文  参考訳（メタデータ） (2023-12-22T13:14:38Z)
• Sentence Bag Graph Formulation for Biomedical Distant Supervision Relation Extraction [13.173870222632454]
  本稿では、エンティティペアを参照する文袋のグラフビューを提案し、エンティティペアに関連する情報のメッセージパスに基づくアグリゲーションを可能にする。 提案手法は,遠隔教師付き関係抽出におけるノイズラベリングの一般的な問題を緩和し,バッグ内に文間の依存性を効果的に組み込む。
  論文  参考訳（メタデータ） (2023-10-29T05:48:04Z)
• 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)
• D-REX: Dialogue Relation Extraction with Explanations [65.3862263565638]
  この研究は、部分的にラベル付けされたデータのみを使用しながら関係が存在することを示す説明を抽出することに焦点を当てている。 本稿では,政策誘導型半教師付きアルゴリズムD-REXを提案する。 約90%の人は、強いBERTに基づく関節関係抽出と説明モデルよりもD-REXの説明を好んでいる。
  論文  参考訳（メタデータ） (2021-09-10T22:30:48Z)
• Eider: Evidence-enhanced Document-level Relation Extraction [56.71004595444816]
  文書レベルの関係抽出(DocRE)は、文書内のエンティティペア間の意味関係を抽出することを目的としている。 本稿では,共同関係と証拠抽出,エビデンス中心関係抽出(RE),抽出結果の融合からなる3段階のエビデンス強化DocREフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-06-16T09:43:16Z)
• Linguistic dependencies and statistical dependence [76.89273585568084]
  文脈における単語の確率を推定するために,事前学習した言語モデルを用いる。 最大CPMI木は非文脈PMI推定値から抽出した木よりも言語的依存関係によく対応していることがわかった。
  論文  参考訳（メタデータ） (2021-04-18T02:43:37Z)
• Learning Relation Prototype from Unlabeled Texts for Long-tail Relation Extraction [84.64435075778988]
  本稿では,ラベルのないテキストから関係プロトタイプを学習するための一般的なアプローチを提案する。 我々は、エンティティ間の暗黙的な要因として関係プロトタイプを学習する。 私たちは、New York TimesとGoogle Distant Supervisionの2つの公開データセットで実験を行います。
  論文  参考訳（メタデータ） (2020-11-27T06:21:12Z)
• 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)
• Text Mining to Identify and Extract Novel Disease Treatments From Unstructured Datasets [56.38623317907416]
  Google Cloudを使って、NPRラジオ番組のポッドキャストのエピソードを書き起こします。 次に、テキストを体系的に前処理するためのパイプラインを構築します。 我々のモデルは、Omeprazoleが心臓熱傷の治療に役立てることに成功しました。
  論文  参考訳（メタデータ） (2020-10-22T19:52:49Z)
• A logic-based relational learning approach to relation extraction: The OntoILPER system [0.9176056742068812]
  論理に基づく関係学習手法OntoILPERを提案する。 OntoILPERは、例のリッチなリレーショナル表現の利益を享受し、欠点を軽減することができる。 提案手法は統計的手法よりも関係抽出に適していると考えられる。
  論文  参考訳（メタデータ） (2020-01-13T12:47:49Z)
• Chemical-induced Disease Relation Extraction with Dependency Information and Prior Knowledge [2.9686294158279414]
  本稿では,CDR抽出のための新しいコンボリューション・アテンション・ネットワーク(CAN)を提案する。 まず, 文中の化学物質と疾患のペア間の最短依存経路(SDP)を抽出する。 その後、KBから学習した知識表現に関連する各意味依存ベクトルの重要性と重みを学習するための注意機構が導入された。
  論文  参考訳（メタデータ） (2020-01-02T02:24:53Z)

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。