論文の概要: Node-based Knowledge Graph Contrastive Learning for Medical Relationship
Prediction
- arxiv url: http://arxiv.org/abs/2310.10138v1
- Date: Mon, 16 Oct 2023 07:27:43 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-17 16:00:06.403278
- Title: Node-based Knowledge Graph Contrastive Learning for Medical Relationship
Prediction
- Title（参考訳）: 医学関係予測のためのノードベース知識グラフコントラスト学習
- Authors: Zhiguang Fan, Yuedong Yang, Mingyuan Xu, Hongming Chen
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 5.935975805403955
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The embedding of Biomedical Knowledge Graphs (BKGs) generates robust
representations, valuable for a variety of artificial intelligence
applications, including predicting drug combinations and reasoning disease-drug
relationships. Meanwhile, contrastive learning (CL) is widely employed to
enhance the distinctiveness of these representations. However, constructing
suitable contrastive pairs for CL, especially within Knowledge Graphs (KGs),
has been challenging. In this paper, we proposed a novel node-based contrastive
learning method for knowledge graph embedding, NC-KGE. NC-KGE enhances
knowledge extraction in embeddings and speeds up training convergence by
constructing appropriate contrastive node pairs on KGs. This scheme can be
easily integrated with other knowledge graph embedding (KGE) methods. For
downstream task such as biochemical relationship prediction, we have
incorporated a relation-aware attention mechanism into NC-KGE, focusing on the
semantic relationships and node interactions. Extensive experiments show that
NC-KGE performs competitively with state-of-the-art models on public datasets
like FB15k-237 and WN18RR. Particularly in biomedical relationship prediction
tasks, NC-KGE outperforms all baselines on datasets such as PharmKG8k-28,
DRKG17k-21, and BioKG72k-14, especially in predicting drug combination
relationships. We release our code at https://github.com/zhi520/NC-KGE.
- Abstract（参考訳）: バイオメディカル知識グラフ(BKG)の埋め込みは、薬物の組み合わせの予測や疾患と薬物の関係の推論など、さまざまな人工知能アプリケーションに有用な堅牢な表現を生成する。
一方、これらの表現の特異性を高めるために、コントラスト学習(CL)が広く用いられている。
しかし、特に知識グラフ(KG)において、CLに適したコントラストペアを構築することは困難である。
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、KG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。
このスキームは他の知識グラフ埋め込み(KGE)手法と容易に統合できる。
生化学関係予測などの下流タスクでは,関係認識注意機構をnc-kgeに導入し,意味関係とノード間相互作用に着目した。
大規模な実験により、NC-KGEはFB15k-237やWN18RRのような公開データセット上で最先端のモデルと競合することを示した。
特に生物医学的関係予測タスクでは、nc-kgeはpharmkg8k-28、drkg17k-21、biokg72k-14などのデータセットのベースライン、特に薬物結合関係の予測よりも優れている。
コードをhttps://github.com/zhi520/NC-KGEでリリースしています。
関連論文リスト
- Normalizing Flow-based Neural Process for Few-Shot Knowledge Graph
Completion [69.55700751102376]
FKGC (Few-shot Knowledge Graph completion) は、失明した事実を、無意味な関連のある事実で予測することを目的としている。
既存のFKGC手法はメートル法学習やメタラーニングに基づいており、しばしば分布外や過度に適合する問題に悩まされる。
本稿では,数ショット知識グラフ補完(NP-FKGC)のためのフローベースニューラルプロセスの正規化を提案する。
論文 参考訳（メタデータ） (2023-04-17T11:42:28Z) - Enhancing Embedding Representations of Biomedical Data using Logic
Knowledge [6.295638112781736]
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。
論文 参考訳（メタデータ） (2023-03-23T13:38:21Z) - 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) - Knowledge Graph Contrastive Learning Based on Relation-Symmetrical
Structure [36.507635518425744]
関係対称構造に基づく知識グラフコントラスト学習フレームワークKGE-SymCLを提案する。
我々のフレームワークは、KGEモデルの識別能力を高めるために、KGの対称構造情報をマイニングする。
論文 参考訳（メタデータ） (2022-11-19T16:30:29Z) - KRACL: Contrastive Learning with Graph Context Modeling for Sparse
Knowledge Graph Completion [37.92814873958519]
知識グラフ埋め込み (KGE) は、エンティティと関係を低次元空間にマッピングすることを目的としており、知識グラフ補完のためのテキストファクト標準となっている。
既存のKGE手法の多くは、知識グラフの頻度が低いエンティティを予測しにくいため、スパーシティの課題に悩まされている。
グラフコンテキストとコントラスト学習を用いて,KGの広がりを緩和する新しい枠組みを提案する。
論文 参考訳（メタデータ） (2022-08-16T09:17:40Z) - Learning Intents behind Interactions with Knowledge Graph for
Recommendation [93.08709357435991]
知識グラフ(KG)は、推薦システムにおいてますます重要な役割を果たす。
既存のGNNベースのモデルは、きめ細かいインテントレベルでのユーザ項目関係の特定に失敗します。
本稿では,新しいモデルである知識グラフベースインテントネットワーク(kgin)を提案する。
論文 参考訳（メタデータ） (2021-02-14T03:21:36Z) - 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) - Distance-aware Molecule Graph Attention Network for Drug-Target Binding
Affinity Prediction [54.93890176891602]
薬物標的結合親和性予測に適したDiStance-aware Molecule graph Attention Network (S-MAN)を提案する。
そこで,我々はまず,構築したポケットリガンドグラフに位相構造と空間位置情報を統合する位置符号化機構を提案する。
また,エッジレベルアグリゲーションとノードレベルアグリゲーションを有するエッジノード階層的アグリゲーション構造を提案する。
論文 参考訳（メタデータ） (2020-12-17T17:44:01Z) - Few-shot link prediction via graph neural networks for Covid-19
drug-repurposing [22.035580011316746]
本稿では,グラフ構造データ中の情報的関係埋め込みを学習するための帰納モデルを提案する。
提案したモデルは、数ショットの学習タスクにおいて、RGCNと最先端のKGEモデルよりも大幅に優れている。
薬物発見タスクをリンク予測として,創薬知識グラフに含まれる生物学的実体の埋め込みを学習する。
論文 参考訳（メタデータ） (2020-07-20T16:48:51Z) - Generative Adversarial Zero-Shot Relational Learning for Knowledge
Graphs [96.73259297063619]
我々は、この厄介なキュレーションを解放するために、新しい定式化、ゼロショット学習を考える。
新たに追加された関係について,テキスト記述から意味的特徴を学習しようと試みる。
我々は,GAN(Generative Adrial Networks)を活用し,テキストと知識グラフ領域の接続を確立する。
論文 参考訳（メタデータ） (2020-01-08T01:19:08Z)
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。