論文の概要: Generalizing over Long Tail Concepts for Medical Term Normalization
- arxiv url: http://arxiv.org/abs/2210.11947v1
- Date: Fri, 21 Oct 2022 13:17:36 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-24 13:52:15.280151
- Title: Generalizing over Long Tail Concepts for Medical Term Normalization
- Title(参考訳): 医学的用語正規化のためのロングテール概念の一般化
- Authors: Beatrice Portelli, Simone Scaboro, Enrico Santus, Hooman Sedghamiz,
Emmanuele Chersoni, Giuseppe Serra
- Abstract要約: 本稿では,識別モデルと生成モデルの両方の一般化性を高めるための,シンプルで効果的な学習戦略を提案する。
評価の結果,提案手法は目に見える概念に対する最先端の性能と,目に見えない概念に対する一貫した改善をもたらすことが示された。
- 参考スコア(独自算出の注目度): 6.752816363476746
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Medical term normalization consists in mapping a piece of text to a large
number of output classes. Given the small size of the annotated datasets and
the extremely long tail distribution of the concepts, it is of utmost
importance to develop models that are capable to generalize to scarce or unseen
concepts. An important attribute of most target ontologies is their
hierarchical structure. In this paper we introduce a simple and effective
learning strategy that leverages such information to enhance the
generalizability of both discriminative and generative models. The evaluation
shows that the proposed strategy produces state-of-the-art performance on seen
concepts and consistent improvements on unseen ones, allowing also for
efficient zero-shot knowledge transfer across text typologies and datasets.
- Abstract(参考訳): 医学用語の正規化は、テキストを多数の出力クラスにマッピングすることで構成される。
注釈付きデータセットの小さなサイズと概念の非常に長い尾の分布を考えると、概念の不足や見当たらない概念を一般化できるモデルを開発することが最も重要である。
ほとんどの標的オントロジーの重要な属性は、その階層構造である。
本稿では,このような情報を利用して識別モデルと生成モデルの一般化可能性を高める,単純かつ効果的な学習戦略を提案する。
評価の結果,提案手法は未確認概念の最先端性能と一貫した改善を実現し,テキスト型とデータセット間の効率的なゼロショット知識伝達を可能にした。
関連論文リスト
- Prospector Heads: Generalized Feature Attribution for Large Models &
Data [63.33062996732212]
本稿では,特徴帰属のための説明に基づく手法の,効率的かつ解釈可能な代替手段であるプロスペクタヘッドを紹介する。
入力データにおけるクラス固有のパターンの解釈と発見を、プロファイラヘッドがいかに改善できるかを実証する。
論文 参考訳(メタデータ) (2024-02-18T23:01:28Z) - A Recursive Bateson-Inspired Model for the Generation of Semantic Formal
Concepts from Spatial Sensory Data [77.34726150561087]
本稿では,複雑な感覚データから階層構造を生成するための記号のみの手法を提案する。
このアプローチは、概念や概念の創始の鍵としてのバテソンの差異の概念に基づいている。
このモデルは、トレーニングなしでかなりリッチだが人間に読まれる概念表現を生成することができる。
論文 参考訳(メタデータ) (2023-07-16T15:59:13Z) - Characterizing Long-Tail Categories on Graphs [29.770413092275792]
ロングテールデータ配信は、金融取引ネットワーク、eコマースネットワーク、コラボレーションネットワークなど、多くの現実世界のネットワークで一般的である。
マルチタスク学習方式で問題を定式化することにより,グラフ上の長い尾の分類のための最初の一般化を提案する。
理論的には, 長細分類の一般化性能は, 全タスクの損失範囲とタスクの総数に支配されている。
論文 参考訳(メタデータ) (2023-05-17T03:52:40Z) - On the Generalization of Learned Structured Representations [5.1398743023989555]
我々は、その隠された構造を捉えた非構造化データの表現を、ほとんど、あるいは全く監督せずに学習する方法を研究する。
この論文の第2部は、シンボルのような実体の観点で入力の構成構造をキャプチャするオブジェクト中心表現に焦点を当てている。
論文 参考訳(メタデータ) (2023-04-25T17:14:36Z) - Deep networks for system identification: a Survey [56.34005280792013]
システム識別は、入力出力データから動的システムの数学的記述を学習する。
同定されたモデルの主な目的は、以前の観測から新しいデータを予測することである。
我々は、フィードフォワード、畳み込み、リカレントネットワークなどの文献で一般的に採用されているアーキテクチャについて論じる。
論文 参考訳(メタデータ) (2023-01-30T12:38:31Z) - EvoLearner: Learning Description Logics with Evolutionary Algorithms [2.0096667731426976]
知識グラフにおけるノードの分類は重要なタスクであり、例えば、欠落したタイプのエンティティを予測したり、どの分子ががんの原因となるかを予測したり、どの薬物が有望な治療候補であるかを予測する。
EvoLearner - 肯定的および否定的な例から記述論理の概念を学習するための進化的アプローチを提案する。
論文 参考訳(メタデータ) (2021-11-08T23:47:39Z) - Disentangled Sequence to Sequence Learning for Compositional
Generalization [62.954842223732435]
本稿では,ソース入力を適応的に再符号化することで,不整合表現の学習を可能にするシーケンス・ツー・シーケンス・モデルの拡張を提案する。
意味解析と機械翻訳の実験結果から,提案手法はより不整合な表現とより優れた一般化をもたらすことが示された。
論文 参考訳(メタデータ) (2021-10-09T22:27:19Z) - Generative Counterfactuals for Neural Networks via Attribute-Informed
Perturbation [51.29486247405601]
AIP(Attribute-Informed Perturbation)の提案により,生データインスタンスの反事実を生成するフレームワークを設計する。
異なる属性を条件とした生成モデルを利用することで、所望のラベルとの反事実を効果的かつ効率的に得ることができる。
実世界のテキストや画像に対する実験結果から, 設計したフレームワークの有効性, サンプル品質, および効率が示された。
論文 参考訳(メタデータ) (2021-01-18T08:37:13Z) - Concept Learners for Few-Shot Learning [76.08585517480807]
本研究では,人間の解釈可能な概念次元に沿って学習することで,一般化能力を向上させるメタ学習手法であるCOMETを提案する。
我々は,細粒度画像分類,文書分類,セルタイプアノテーションなど,さまざまな領域からの少数ショットタスクによるモデルの評価を行った。
論文 参考訳(メタデータ) (2020-07-14T22:04:17Z)
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。