論文の概要: Enhancing Embedding Representations of Biomedical Data using Logic
Knowledge
- arxiv url: http://arxiv.org/abs/2303.13566v1
- Date: Thu, 23 Mar 2023 13:38:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-27 17:09:32.827455
- Title: Enhancing Embedding Representations of Biomedical Data using Logic
Knowledge
- Title（参考訳）: 論理知識を用いた生体データの埋め込み表現の拡張
- Authors: Michelangelo Diligenti, Francesco Giannini, Stefano Fioravanti,
Caterina Graziani, Moreno Falaschi, Giuseppe Marra
- Abstract要約: 本稿では,PharmKGデータセット上の知識グラフモデルの埋め込み表現を強化するために,論理ルールを利用する。
R2Nは利用可能なロジックルールを使用して、KGE潜在表現を前提としたニューラルネットワークを構築する。
実験の結果,本手法はPharmKGデータセットの最先端性を大幅に向上させることができることがわかった。
- 参考スコア（独自算出の注目度）: 6.295638112781736
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Knowledge Graph Embeddings (KGE) have become a quite popular class of models
specifically devised to deal with ontologies and graph structure data, as they
can implicitly encode statistical dependencies between entities and relations
in a latent space. KGE techniques are particularly effective for the biomedical
domain, where it is quite common to deal with large knowledge graphs underlying
complex interactions between biological and chemical objects. Recently in the
literature, the PharmKG dataset has been proposed as one of the most
challenging knowledge graph biomedical benchmark, with hundreds of thousands of
relational facts between genes, diseases and chemicals. Despite KGEs can scale
to very large relational domains, they generally fail at representing more
complex relational dependencies between facts, like logic rules, which may be
fundamental in complex experimental settings. In this paper, we exploit logic
rules to enhance the embedding representations of KGEs on the PharmKG dataset.
To this end, we adopt Relational Reasoning Network (R2N), a recently proposed
neural-symbolic approach showing promising results on knowledge graph
completion tasks. An R2N uses the available logic rules to build a neural
architecture that reasons over KGE latent representations. In the experiments,
we show that our approach is able to significantly improve the current
state-of-the-art on the PharmKG dataset. Finally, we provide an ablation study
to experimentally compare the effect of alternative sets of rules according to
different selection criteria and varying the number of considered rules.
- Abstract（参考訳）: 知識グラフ埋め込み(KGE)は、潜在空間におけるエンティティと関係の間の統計的依存関係を暗黙的にエンコードできるため、オントロジーやグラフ構造データを扱うために特別に考案されたモデルの非常に一般的なクラスとなっている。
KGE技術は特に生物医学領域において有効であり、生物と化学オブジェクトの間の複雑な相互作用の基礎となる大きな知識グラフを扱うのが一般的である。
最近の文献では、pharmkgデータセットは最も難しい知識グラフの生物医学的ベンチマークの一つとして提案されており、遺伝子、疾患、化学物質の間に数十万の関連事実がある。
KGEは、非常に大きなリレーショナルドメインにスケールできますが、一般的には、複雑な実験的な設定において基本的なロジックルールのような、事実間のより複雑なリレーショナル依存関係を表現することに失敗します。
本稿では,PharmKGデータセット上のKGEの埋め込み表現を強化するために,論理規則を利用する。
この目的のために,最近提案されているニューラルシンボリックアプローチであるrelational reasoning network(r2n)を採用する。
R2Nは利用可能なロジックルールを使用して、KGE潜在表現を前提としたニューラルネットワークを構築する。
実験では,我々のアプローチが,pharmkgデータセットの現在の状態を大幅に改善できることを実証する。
最後に, 異なる選択基準による代替ルールセットの効果を実験的に比較し, 検討したルール数を変化させるアブレーション研究を行った。
関連論文リスト
- Representation-Enhanced Neural Knowledge Integration with Application to Large-Scale Medical Ontology Learning [3.010503480024405]
本稿では,関係型の同時学習を実現するため,理論的に保証されたRENKIという統計フレームワークを提案する。
提案フレームワークは,表現学習出力をニューラルネットワークの初期エンティティ埋め込みに組み込んで,知識グラフのスコア関数を近似する。
ヘテロジニアス関係の存在下での重み付けの効果と、非パラメトリックモデルに表現学習を組み込むことの利点を実証する。
論文 参考訳（メタデータ） (2024-10-09T21:38:48Z) - Graph Relation Distillation for Efficient Biomedical Instance
Segmentation [80.51124447333493]
本稿では,効率的なバイオメディカル・インスタンス・セグメンテーションのためのグラフ関係蒸留手法を提案する。
画像内レベルと画像間レベルの両方に展開する2つのグラフ蒸留方式を導入する。
多くのバイオメディカルデータセットの実験結果から,本手法の有効性が検証された。
論文 参考訳（メタデータ） (2024-01-12T04:41:23Z) - Graph-level Protein Representation Learning by Structure Knowledge
Refinement [50.775264276189695]
本稿では、教師なしの方法でグラフ全体の表現を学習することに焦点を当てる。
本稿では、データ構造を用いて、ペアが正か負かの確率を決定する構造知識精製(Structure Knowledge Refinement, SKR)という新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2024-01-05T09:05:33Z) - Node-based Knowledge Graph Contrastive Learning for Medical Relationship
Prediction [5.935975805403955]
本稿では,知識グラフ埋め込みのための新しいノードベースコントラスト学習手法NC-KGEを提案する。
NC-KGEは、埋め込みにおける知識抽出を強化し、知識グラフ上に適切なコントラストノードペアを構築することにより、トレーニング収束を高速化する。
生化学関係予測などの下流課題に対しては,NC-KGEに関連性を考慮した注意機構を組み込んだ。
論文 参考訳（メタデータ） (2023-10-16T07:27:43Z) - Tertiary Lymphoid Structures Generation through Graph-based Diffusion [54.37503714313661]
本研究では,最先端のグラフベース拡散モデルを用いて生物学的に意味のある細胞グラフを生成する。
本研究では, グラフ拡散モデルを用いて, 3次リンパ構造(TLS)の分布を正確に学習できることを示す。
論文 参考訳（メタデータ） (2023-10-10T14:37:17Z) - Heterogeneous graphs model spatial relationships between biological
entities for breast cancer diagnosis [1.943314771739382]
グラフニューラルネットワーク(GNN)は、画像内の空間的関係をコーディングすることで、有望なソリューションを提供する。
細胞と組織グラフの空間的および階層的関係を捉えるヘテロジニアスGNNを用いた新しい手法を提案する。
また,組織と細胞グラフの複雑な関係をモデル化するトランスフォーマーアーキテクチャとクロスアテンションベースネットワークの性能を比較した。
論文 参考訳（メタデータ） (2023-07-16T19:06:29Z) - Representation Learning for Person or Entity-centric Knowledge Graphs:
An Application in Healthcare [0.757843972001219]
本稿では、構造化データと非構造化データからエンティティ中心のKGを抽出するエンドツーエンド表現学習フレームワークを提案する。
我々は、人の複数の面を表す星型分類器を導入し、それをKG生成のガイドに利用する。
このアプローチにはいくつかの潜在的なアプリケーションがあり、オープンソースであることを強調します。
論文 参考訳（メタデータ） (2023-05-09T17:39:45Z) - Dynamic Graph Enhanced Contrastive Learning for Chest X-ray Report
Generation [92.73584302508907]
コントラスト学習を用いた医療レポート作成を支援するために,動的構造とノードを持つ知識グラフを提案する。
詳しくは、グラフの基本構造は一般知識から事前構築される。
各イメージ機能は、レポート生成のためにデコーダモジュールに入力する前に、独自の更新グラフに統合される。
論文 参考訳（メタデータ） (2023-03-18T03:53:43Z) - Analysis of Drug repurposing Knowledge graphs for Covid-19 [0.0]
本研究は、薬物再資源知識グラフ(DRKG)を用いた新型コロナウイルスの候補薬剤のセットを提案する。
DRKGは、大量のオープンソースバイオメディカル知識を用いて構築された生物学的知識グラフである。
ノードと関係埋め込みは知識グラフ埋め込みモデルとニューラルネットワークおよび注意関連モデルを用いて学習される。
論文 参考訳（メタデータ） (2022-12-07T19:14:17Z) - Cross-modal Clinical Graph Transformer for Ophthalmic Report Generation [116.87918100031153]
眼科報告生成(ORG)のためのクロスモーダルな臨床グラフ変換器(CGT)を提案する。
CGTは、デコード手順を駆動する事前知識として、臨床関係を視覚特徴に注入する。
大規模FFA-IRベンチマークの実験は、提案したCGTが従来のベンチマーク手法より優れていることを示した。
論文 参考訳（メタデータ） (2022-06-04T13:16:30Z) - RelWalk A Latent Variable Model Approach to Knowledge Graph Embedding [50.010601631982425]
本稿では,単語埋め込みのランダムウォークモデル(Arora et al., 2016a)を知識グラフ埋め込み(KGE)に拡張する。
二つの実体 h (head) と t (tail) の間の関係 R の強さを評価するスコア関数を導出する。
理論的解析によって動機付けられた学習目標を提案し,知識グラフからKGEを学習する。
論文 参考訳（メタデータ） (2021-01-25T13:31:29Z)
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。