論文の概要: Analysing Biomedical Knowledge Graphs using Prime Adjacency Matrices

• arxiv url: http://arxiv.org/abs/2305.10467v1
• Date: Wed, 17 May 2023 13:40:55 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-19 18:48:23.688523
• Title: Analysing Biomedical Knowledge Graphs using Prime Adjacency Matrices
• Title（参考訳）: 素隣接行列を用いた生体医学知識グラフの解析
• Authors: Konstantinos Bougiatiotis and Georgios Paliouras
• Abstract要約: バイオメディカルなKGのための新しい表現フレームワークであるプライム・アジャシエイト・マトリックス(PAM)を導入する。 PAMは、KG全体を単一の隣接行列で表し、ネットワークの複数の特性の高速さで表すことができる。 トレーニングを必要としない従来の方法よりも、はるかに少ない時間で、より良い結果が得られることを示す。
• 参考スコア（独自算出の注目度）: 1.6752182911522517
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Most phenomena related to biomedical tasks are inherently complex, and in many cases, are expressed as signals on biomedical Knowledge Graphs (KGs). In this work, we introduce the use of a new representation framework, the Prime Adjacency Matrix (PAM) for biomedical KGs, which allows for very efficient network analysis. PAM utilizes prime numbers to enable representing the whole KG with a single adjacency matrix and the fast computation of multiple properties of the network. We illustrate the applicability of the framework in the biomedical domain by working on different biomedical knowledge graphs and by providing two case studies: one on drug-repurposing for COVID-19 and one on important metapath extraction. We show that we achieve better results than the original proposed workflows, using very simple methods that require no training, in considerably less time.
• Abstract（参考訳）: 生物医学的タスクに関連するほとんどの現象は本質的に複雑であり、多くの場合、生体医学的知識グラフ(kgs)上でシグナルとして表現される。 本研究では,バイオメディカルなKGに対する新しい表現フレームワークであるPAM(Prime Adjacency Matrix)の導入について紹介する。 PAMは素数を用いて、KG全体を単一の隣接行列で表現し、ネットワークの複数の特性の高速な計算を可能にする。 バイオメディカル・ナレッジ・グラフの相違と,covid-19の薬剤補充と重要なメタパス抽出の2つのケーススタディを提供することにより,バイオメディカル領域におけるフレームワークの適用性を示す。 従来のワークフローよりも優れた結果を得ることができ、トレーニング不要な非常にシンプルな手法を、かなり少ない時間で使用しています。

関連論文リスト

• From Primes to Paths: Enabling Fast Multi-Relational Graph Analysis [5.008498268411793]
  マルチリレーショナルネットワークは、データの複雑な関係を捉え、バイオメディカル、ファイナンシャル、社会科学などの分野にまたがる多様な応用を持つ。 この研究は、ネットワーク内の異なる関係をユニークに表現するために素数を使用するプライム・アジャケーシ・マトリクス・フレームワークを拡張している。
  論文  参考訳（メタデータ） (2024-11-17T18:43:01Z)
• 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)
• 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)
• Neurosymbolic AI for Reasoning on Biomedical Knowledge Graphs [0.9085310904484414]
  バイオメディカルデータセットは、しばしば知識グラフ(KG)としてモデル化される。 したがって、KG完了(KGC)は、研究者が薬物再配置などのタスクを予測するのに役立ちます。
  論文  参考訳（メタデータ） (2023-07-17T11:47:05Z)
• BERT Based Clinical Knowledge Extraction for Biomedical Knowledge Graph Construction and Analysis [0.4893345190925178]
  本稿では,バイオメディカル臨床ノートからの知識抽出と分析のためのエンドツーエンドアプローチを提案する。 提案フレームワークは, 関連構造化情報を高精度に抽出できる。
  論文  参考訳（メタデータ） (2023-04-21T14:45:33Z)
• SEMPAI: a Self-Enhancing Multi-Photon Artificial Intelligence for prior-informed assessment of muscle function and pathology [48.54269377408277]
  本稿では,仮説駆動型先行処理をデータ駆動型ディープラーニングアプローチに統合した,SEMPAI(Self-Enhancing Multi-Photon Artificial Intelligence)を紹介する。 SEMPAIは、小さなデータセットの予測を可能にするために、いくつかのタスクを共同で学習する。 SEMPAIは、少ないデータを含む7つの予測タスクのうち6つにおいて、最先端のバイオマーカーよりも優れています。
  論文  参考訳（メタデータ） (2022-10-28T17:03:04Z)
• BioIE: Biomedical Information Extraction with Multi-head Attention Enhanced Graph Convolutional Network [9.227487525657901]
  本稿では,バイオメディカルテキストと非構造化医療報告から関係を抽出するハイブリッドニューラルネットワークであるバイオメディカル情報抽出を提案する。 本研究は,2つの主要な生医学的関係抽出タスク,化学物質とタンパク質の相互作用,およびクロスホスピタル・パン・カンノロジー報告コーパスについて検討した。
  論文  参考訳（メタデータ） (2021-10-26T13:19:28Z)
• Scientific Language Models for Biomedical Knowledge Base Completion: An Empirical Study [62.376800537374024]
  我々は,KG の完成に向けた科学的 LM の研究を行い,生物医学的リンク予測を強化するために,その潜在知識を活用できるかどうかを探る。 LMモデルとKG埋め込みモデルを統合し,各入力例をいずれかのモデルに割り当てることを学ぶルータ法を用いて,性能を大幅に向上させる。
  論文  参考訳（メタデータ） (2021-06-17T17:55:33Z)
• Biomedical Knowledge Graph Refinement and Completion using Graph Representation Learning and Top-K Similarity Measure [1.4660617536303606]
  本研究は,統合生物医学知識グラフ chem2bio2rd の離散表現の学習を実証する。 学習した埋め込みベクトル間の単純なトップKコサイン類似度尺度を用いて知識グラフの補完と洗練を行う。
  論文  参考訳（メタデータ） (2020-12-18T22:19:57Z)
• Cross-Modal Information Maximization for Medical Imaging: CMIM [62.28852442561818]
  病院では、同じ情報を異なるモダリティの下で利用できるようにする特定の情報システムにデータがサイロ化される。 これは、テスト時に常に利用できないかもしれない同じ情報の複数のビューを列車で取得し、使用するためのユニークな機会を提供する。 テスト時にモダリティの低下に耐性を持つマルチモーダル入力の優れた表現を学習することで、利用可能なデータを最大限活用する革新的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-10-20T20:05:35Z)
• SumGNN: Multi-typed Drug Interaction Prediction via Efficient Knowledge Graph Summarization [64.56399911605286]
  本稿では,サブグラフ抽出モジュールによって実現された知識要約グラフニューラルネットワークSumGNNを提案する。 SumGNNは5.54%まで最高のベースラインを上回り、データ関係の低いタイプでは特にパフォーマンスの向上が顕著である。
  論文  参考訳（メタデータ） (2020-10-04T00:14:57Z)

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。