論文の概要: Biomedical Knowledge Graph Embeddings with Negative Statements

• arxiv url: http://arxiv.org/abs/2308.03447v1
• Date: Mon, 7 Aug 2023 10:08:25 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-08 14:12:45.322949
• Title: Biomedical Knowledge Graph Embeddings with Negative Statements
• Title（参考訳）: 否定文を用いた生体医学知識グラフ埋め込み
• Authors: Rita T. Sousa, Sara Silva, Heiko Paulheim, Catia Pesquita
• Abstract要約: 否定的なステートメントを明示的に考慮することは、エンティティの要約のようなタスクのパフォーマンスを改善することが示されている。 本稿では,知識グラフ表現学習プロセスに否定文を組み込む新しい手法であるTrueWalksを提案する。 本稿では, 肯定文と否定文を区別するだけでなく, 否定の意味的意味を考慮に入れた歩行生成手法を提案する。
• 参考スコア（独自算出の注目度）: 1.7778609937758327
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A knowledge graph is a powerful representation of real-world entities and their relations. The vast majority of these relations are defined as positive statements, but the importance of negative statements is increasingly recognized, especially under an Open World Assumption. Explicitly considering negative statements has been shown to improve performance on tasks such as entity summarization and question answering or domain-specific tasks such as protein function prediction. However, no attention has been given to the exploration of negative statements by knowledge graph embedding approaches despite the potential of negative statements to produce more accurate representations of entities in a knowledge graph. We propose a novel approach, TrueWalks, to incorporate negative statements into the knowledge graph representation learning process. In particular, we present a novel walk-generation method that is able to not only differentiate between positive and negative statements but also take into account the semantic implications of negation in ontology-rich knowledge graphs. This is of particular importance for applications in the biomedical domain, where the inadequacy of embedding approaches regarding negative statements at the ontology level has been identified as a crucial limitation. We evaluate TrueWalks in ontology-rich biomedical knowledge graphs in two different predictive tasks based on KG embeddings: protein-protein interaction prediction and gene-disease association prediction. We conduct an extensive analysis over established benchmarks and demonstrate that our method is able to improve the performance of knowledge graph embeddings on all tasks.
• Abstract（参考訳）: 知識グラフは実世界の実体とその関係の強力な表現である。 これらの関係の大部分は肯定的な言明として定義されるが、否定的な言明の重要性はますます認識され、特にオープンワールドの仮定の下では顕著である。 負のステートメントを明示的に考慮することで、エンティティの要約や質問応答、タンパク質機能予測のようなドメイン固有のタスクのパフォーマンスを向上させることが示されている。 しかし、知識グラフにおけるエンティティのより正確な表現を生成する負のステートメントの可能性にもかかわらず、知識グラフ埋め込みアプローチによる負のステートメントの探索には注意が払われていない。 本稿では,知識グラフ表現学習プロセスに否定文を組み込む新しい手法であるTrueWalksを提案する。 特に,肯定文と否定文を区別するだけでなく,オントロジーに富む知識グラフにおける否定の意味的意味を考慮に入れた,新たな歩行生成手法を提案する。 これは生物医学領域の応用において特に重要であり、オントロジーレベルでの負のステートメントに関する埋め込みアプローチの不備が決定的な限界として認識されている。 オントロジーに富む生物医学知識グラフにおけるTrueWalksの評価は,タンパク質間相互作用予測と遺伝子発現関連予測という,KG埋め込みに基づく2つの異なる予測課題により行われる。 確立されたベンチマークに対して広範囲な分析を行い、本手法が知識グラフのすべてのタスクへの埋め込み性能を向上させることを実証する。

関連論文リスト

• The Role of Graph Topology in the Performance of Biomedical Knowledge Graph Completion Models [3.1666540219908272]
  我々は,一般公開されているバイオメディカル知識グラフの特性を総合的に調査する。 実世界のアプリケーションで観測された精度とリンクを確立する。 すべてのモデル予測と新しい分析ツールをリリースします。
  論文  参考訳（メタデータ） (2024-09-06T08:09:15Z)
• Learning Latent Graph Structures and their Uncertainty [63.95971478893842]
  グラフニューラルネットワーク(GNN)は、モデル精度を高めるために帰納バイアスとしてリレーショナル情報を使用する。 課題関連関係が不明なため,下流予測タスクを解きながら学習するためのグラフ構造学習手法が提案されている。
  論文  参考訳（メタデータ） (2024-05-30T10:49:22Z)
• 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)
• GraphCloak: Safeguarding Task-specific Knowledge within Graph-structured Data from Unauthorized Exploitation [61.80017550099027]
  グラフニューラルネットワーク(GNN)は、さまざまな分野でますます普及している。 個人データの不正利用に関する懸念が高まっている。 近年の研究では、このような誤用から画像データを保護する効果的な方法として、知覚不能な毒殺攻撃が報告されている。 本稿では,グラフデータの不正使用に対する保護のためにGraphCloakを導入する。
  論文  参考訳（メタデータ） (2023-10-11T00:50:55Z)
• Investigating the Interplay between Features and Structures in Graph Learning [6.436174170552484]
  過去には、メッセージパッシング手法のノード分類予測の改善と、ホモフィリィに強く関連していると考えられていた。 最近では、グラフが完全にヘテロ親和性であるが性能が高いノード分類タスクを構築することができるため、そのような二分法は単純すぎると研究者らは指摘した。 本研究は,ノード分類タスクの2つの生成過程を定式化することにより,この強い仮定が成立しない場合に何が起こるかを検討する。
  論文  参考訳（メタデータ） (2023-08-18T14:02:56Z)
• Benchmark datasets for biomedical knowledge graphs with negative statements [0.0]
  本稿では,負の文を持つ知識グラフのベンチマーク構築の難しさを回避することを目的とした,3つの関係予測タスクのためのデータセットのコレクションを提案する。 また、各データセットに2つの一般的なパスベースの手法で知識グラフを埋め込み、各タスクのパフォーマンスを評価する。 その結果, 負の文は知識グラフ埋め込みの性能を向上させることができることがわかった。
  論文  参考訳（メタデータ） (2023-07-21T17:25:21Z)
• Explainable Representations for Relation Prediction in Knowledge Graphs [0.0]
  本稿では、知識グラフにおける関係予測を支援するための説明可能な表現のための新しいアプローチであるSEEKを提案する。 それは、エンティティと各サブグラフの学習表現の間の関連する共有意味的側面を識別することに基づいている。 本研究では,タンパク質間相互作用予測と遺伝子発現関連予測の2つの実世界の関係予測タスクについてSEEKを評価した。
  論文  参考訳（メタデータ） (2023-06-22T06:18:40Z)
• Graph-in-Graph (GiG): Learning interpretable latent graphs in non-Euclidean domain for biological and healthcare applications [52.65389473899139]
  グラフは、医療領域において、非ユークリッドな非ユークリッドデータをユビキタスに表現し、分析するための強力なツールである。 近年の研究では、入力データサンプル間の関係を考慮すると、下流タスクに正の正の正則化効果があることが示されている。 タンパク質分類と脳イメージングのためのニューラルネットワークアーキテクチャであるGraph-in-Graph(GiG)を提案する。
  論文  参考訳（メタデータ） (2022-04-01T10:01:37Z)
• Implications of Topological Imbalance for Representation Learning on Biomedical Knowledge Graphs [16.566710222582618]
  知識グラフ埋め込みモデルが構造的不均衡によってどのように影響を受けるかを示す。 グラフトポロジを摂動させて、ランダムで生物学的に無意味な情報によって遺伝子ランクを人工的に変化させる方法を示す。
  論文  参考訳（メタデータ） (2021-12-13T11:20:36Z)
• Unbiased Graph Embedding with Biased Graph Observations [52.82841737832561]
  基礎となるバイアスのないグラフから学習することで、バイアスのない表現を得るための、原則化された新しい方法を提案する。 この新たな視点に基づいて、そのような基礎となるグラフを明らかにするための2つの補完的手法を提案する。
  論文  参考訳（メタデータ） (2021-10-26T18:44:37Z)
• A Survey of Adversarial Learning on Graphs [59.21341359399431]
  本稿では,グラフ逆学習タスクに関する既存の研究を考察し,要約する。 具体的には、グラフ解析タスクにおける攻撃と防御に関する既存の作業を調査し、統一する。 我々は、関連する評価指標の重要性を強調し、それらを総合的に調査し、要約する。
  論文  参考訳（メタデータ） (2020-03-10T12:48:00Z)

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。