論文の概要: Customizing Knowledge Graph Embedding to Improve Clinical Study Recommendation

• arxiv url: http://arxiv.org/abs/2212.14102v1
• Date: Wed, 28 Dec 2022 21:41:25 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-02 15:21:28.360445
• Title: Customizing Knowledge Graph Embedding to Improve Clinical Study Recommendation
• Title（参考訳）: 臨床研究勧告を改善するための知識グラフ埋め込みのカスタマイズ
• Authors: Xiong Liu, Iya Khalil, Murthy Devarakonda
• Abstract要約: グラフ埋め込みをカスタマイズするアルゴリズムフレームワークであるCustom2vecを提案する。 カスタムノードとリンクを追加することで、ユーザの好みをキャプチャする。 非小細胞肺癌に関する臨床試験におけるCustom2vecの有効性を実証した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Inferring knowledge from clinical trials using knowledge graph embedding is an emerging area. However, customizing graph embeddings for different use cases remains a significant challenge. We propose custom2vec, an algorithmic framework to customize graph embeddings by incorporating user preferences in training the embeddings. It captures user preferences by adding custom nodes and links derived from manually vetted results of a separate information retrieval method. We propose a joint learning objective to preserve the original network structure while incorporating the user's custom annotations. We hypothesize that the custom training improves user-expected predictions, for example, in link prediction tasks. We demonstrate the effectiveness of custom2vec for clinical trials related to non-small cell lung cancer (NSCLC) with two customization scenarios: recommending immuno-oncology trials evaluating PD-1 inhibitors and exploring similar trials that compare new therapies with a standard of care. The results show that custom2vec training achieves better performance than the conventional training methods. Our approach is a novel way to customize knowledge graph embeddings and enable more accurate recommendations and predictions.
• Abstract（参考訳）: 知識グラフ埋め込みを用いた臨床試験から知識を推定することは、新たな分野である。 しかし、異なるユースケース向けにグラフ埋め込みをカスタマイズすることは、依然として大きな課題である。 埋め込みの学習にユーザの好みを取り入れてグラフ埋め込みをカスタマイズするアルゴリズムフレームワークであるCustom2vecを提案する。 独自の情報検索手法の検証結果から得られたカスタムノードとリンクを追加することで、ユーザの好みをキャプチャする。 本稿では,ユーザのカスタムアノテーションを取り入れつつ,元のネットワーク構造を保存するための共同学習目標を提案する。 カスタムトレーニングは、例えばリンク予測タスクにおいて、ユーザ期待の予測を改善すると仮定する。 本研究は,非小細胞肺癌(NSCLC)に関する臨床試験におけるCustom2vecの有効性を,PD-1阻害剤を評価・比較する免疫オンコロジー試験の推奨と,新しい治療法と治療基準との比較試験の2つのシナリオで示す。 その結果、custom2vecトレーニングは従来のトレーニング方法よりも優れたパフォーマンスを達成できた。 我々のアプローチは知識グラフの埋め込みをカスタマイズし、より正確なレコメンデーションと予測を可能にする新しい方法である。

関連論文リスト

• Quantifying User Coherence: A Unified Framework for Cross-Domain Recommendation Analysis [69.37718774071793]
  本稿では,レコメンデーションシステムを理解するための新しい情報理論手法を提案する。 9つのデータセットで7つのレコメンデーションアルゴリズムを評価し、測定値と標準的なパフォーマンス指標の関係を明らかにする。
  論文  参考訳（メタデータ） (2024-10-03T13:02:07Z)
• Neural Graph Collaborative Filtering Using Variational Inference [19.80976833118502]
  本稿では,変分グラフオートエンコーダを用いて学習した表現を組み込む新しいフレームワークとして,変分埋め込み協調フィルタリング(GVECF)を導入する。 提案手法は,テストデータに対するリコールを最大13.78%改善する。
  論文  参考訳（メタデータ） (2023-11-20T15:01:33Z)
• Clinical Trial Recommendations Using Semantics-Based Inductive Inference and Knowledge Graph Embeddings [0.0]
  本稿では,臨床治験の知識グラフに基づいて学習した神経埋め込みに基づく新しい勧告手法を提案する。 以上の結果から,本提案手法は実際の臨床試験とテキストの類似性から,70%～83%の関連性スコアを達成できた。
  論文  参考訳（メタデータ） (2023-09-27T19:54:07Z)
• Independent Distribution Regularization for Private Graph Embedding [55.24441467292359]
  グラフ埋め込みは属性推論攻撃の影響を受けやすいため、攻撃者は学習したグラフ埋め込みからプライベートノード属性を推測することができる。 これらの懸念に対処するため、プライバシ保護グラフ埋め込み手法が登場した。 独立分散ペナルティを正規化項として支援し, PVGAE(Private Variational Graph AutoEncoders)と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-08-16T13:32:43Z)
• Extraction of volumetric indices from echocardiography: which deep learning solution for clinical use? [6.144041824426555]
  提案した3D nnU-Netは,2D法と繰り返しセグメンテーション法よりも優れていることを示す。 実験の結果、十分なトレーニングデータがあれば、3D nnU-Netは日常的な臨床機器の基準を満たす最初の自動化ツールとなる可能性が示唆された。
  論文  参考訳（メタデータ） (2023-05-03T09:38:52Z)
• Meta-Learning with Adaptive Weighted Loss for Imbalanced Cold-Start Recommendation [4.379304291229695]
  本稿では,勾配に基づくメタラーニングに基づく新しいシーケンシャルレコメンデーションフレームワークを提案する。 私たちの仕事は、コールドスタートシーケンシャルなレコメンデーションシナリオにおいて、不均衡な評価の影響に最初に取り組みます。
  論文  参考訳（メタデータ） (2023-02-28T15:18:42Z)
• RESUS: Warm-Up Cold Users via Meta-Learning Residual User Preferences in CTR Prediction [14.807495564177252]
  コールドユーザーに対するCTR(Click-Through Rate)予測は、レコメンデーションシステムにおいて難しい課題である。 本稿では,グローバルな嗜好知識の学習を,個々のユーザの残留嗜好の学習から切り離す,RESUSという新しい,効率的なアプローチを提案する。 本手法は, コールドユーザに対するCTR予測精度の向上に有効であり, 各種最先端手法と比較して有効である。
  論文  参考訳（メタデータ） (2022-10-28T11:57:58Z)
• Meta-Wrapper: Differentiable Wrapping Operator for User Interest Selection in CTR Prediction [97.99938802797377]
  クリックスルー率(CTR)予測は、ユーザーが商品をクリックする確率を予測することを目的としており、リコメンデーションシステムにおいてますます重要になっている。 近年,ユーザの行動からユーザの興味を自動的に抽出する深層学習モデルが大きな成功を収めている。 そこで我々は,メタラッパー(Meta-Wrapper)と呼ばれるラッパー手法の枠組みに基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-06-28T03:28:15Z)
• Toward Learning Robust and Invariant Representations with Alignment Regularization and Data Augmentation [76.85274970052762]
  本論文はアライメント正則化の選択肢の増大を動機としている。 我々は、ロバスト性および不変性の次元に沿って、いくつかの人気のある設計選択のパフォーマンスを評価する。 我々はまた、現実的と考える仮定の下で経験的な研究を補完するために、アライメント正則化の挙動を正式に分析する。
  論文  参考訳（メタデータ） (2022-06-04T04:29:19Z)
• Linear Speedup in Personalized Collaborative Learning [69.45124829480106]
  フェデレート学習におけるパーソナライゼーションは、モデルのバイアスをトレーディングすることで、モデルの精度を向上させることができる。 ユーザの目的の最適化として、パーソナライズされた協調学習問題を定式化する。 分散の低減のためにバイアスを最適にトレードオフできる条件について検討する。
  論文  参考訳（メタデータ） (2021-11-10T22:12:52Z)
• Learning to Learn a Cold-start Sequential Recommender [70.5692886883067]
  コールドスタート勧告は、現代のオンラインアプリケーションにおいて緊急の問題である。 メタ学習に基づくコールドスタートシーケンシャルレコメンデーションフレームワークMetaCSRを提案する。 MetaCSRは、通常のユーザの行動から共通のパターンを学ぶ能力を持っている。
  論文  参考訳（メタデータ） (2021-10-18T08:11:24Z)

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。