論文の概要: The Role of Graph Topology in the Performance of Biomedical Knowledge Graph Completion Models

• arxiv url: http://arxiv.org/abs/2409.04103v1
• Date: Fri, 6 Sep 2024 08:09:15 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-09 16:25:56.278658
• Title: The Role of Graph Topology in the Performance of Biomedical Knowledge Graph Completion Models
• Title（参考訳）: バイオメディカル知識グラフ補完モデルの性能評価におけるグラフトポロジの役割
• Authors: Alberto Cattaneo, Stephen Bonner, Thomas Martynec, Carlo Luschi, Ian P Barrett, Daniel Justus,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 3.1666540219908272
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Knowledge Graph Completion has been increasingly adopted as a useful method for several tasks in biomedical research, like drug repurposing or drug-target identification. To that end, a variety of datasets and Knowledge Graph Embedding models has been proposed over the years. However, little is known about the properties that render a dataset useful for a given task and, even though theoretical properties of Knowledge Graph Embedding models are well understood, their practical utility in this field remains controversial. We conduct a comprehensive investigation into the topological properties of publicly available biomedical Knowledge Graphs and establish links to the accuracy observed in real-world applications. By releasing all model predictions and a new suite of analysis tools we invite the community to build upon our work and continue improving the understanding of these crucial applications.
• Abstract（参考訳）: 知識グラフ補完は、薬物の精製や薬物標的の識別など、バイオメディカル研究におけるいくつかのタスクに有用な方法として、ますます採用されている。 そのために、さまざまなデータセットと知識グラフの埋め込みモデルが長年にわたって提案されてきた。 しかし、与えられたタスクに有用なデータセットを描画する特性についてはほとんど分かっておらず、知識グラフ埋め込みモデルの理論的性質はよく理解されているものの、この分野での実用性については議論の余地がある。 本研究では,生物医学的知識グラフのトポロジ的特性を包括的に調査し,実世界の応用で観測された精度のリンクを確立する。 すべてのモデル予測と新しい分析ツールをリリースすることによって、コミュニティは私たちの仕事の上に構築し、これらの重要なアプリケーションの理解を引き続き改善するよう促します。

関連論文リスト

• From Pixels to Insights: A Survey on Automatic Chart Understanding in the Era of Large Foundation Models [98.41645229835493]
  グラフ形式のデータの可視化は、データ分析において重要な役割を担い、重要な洞察を提供し、情報的な意思決定を支援する。 大規模言語モデルのような大規模な基盤モデルは、様々な自然言語処理タスクに革命をもたらした。 本研究は,自然言語処理,コンピュータビジョン,データ解析の分野における研究者や実践者の包括的資源として機能する。
  論文  参考訳（メタデータ） (2024-03-18T17:57:09Z)
• Towards Graph Foundation Models: A Survey and Beyond [66.37994863159861]
  ファンデーションモデルは、さまざまな人工知能アプリケーションにおいて重要なコンポーネントとして現れてきた。 基礎モデルがグラフ機械学習研究者を一般化し、適応させる能力は、新しいグラフ学習パラダイムを開発する可能性について議論する。 本稿では,グラフ基礎モデル(GFM)の概念を紹介し,その重要な特徴と基礎技術について概説する。
  論文  参考訳（メタデータ） (2023-10-18T09:31:21Z)
• Biomedical Knowledge Graph Embeddings with Negative Statements [1.7778609937758327]
  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。
  論文  参考訳（メタデータ） (2023-08-07T10:08:25Z)
• Knowledge Graph Embeddings in the Biomedical Domain: Are They Useful? A Look at Link Prediction, Rule Learning, and Downstream Polypharmacy Tasks [12.896135204106423]
  本研究では,最近のバイオメディカル知識グラフBioKGの文脈に最先端の知識グラフ埋め込みモデルを適用することを目的とする。 また, HITS@10のスコアに基づいて, 同じバイオメディカル知識グラフを用いた3倍の性能向上を実現した。 その結果,大規模なバイオメディカル知識グラフから学習した知識を下流のユースケースに移すことが可能であることが示唆された。
  論文  参考訳（メタデータ） (2023-05-31T16:04:25Z)
• Knowledge-augmented Graph Machine Learning for Drug Discovery: A Survey [6.288056740658763]
  グラフ機械学習(GML)は、グラフ構造化バイオメディカルデータをモデル化する優れた能力で注目されている。 近年の研究では、より正確で解釈可能な薬物発見を実現するために、外部のバイオメディカル知識をGMLパイプラインに統合することを提案した。
  論文  参考訳（メタデータ） (2023-02-16T12:38:01Z)
• Graph Pooling for Graph Neural Networks: Progress, Challenges, and Opportunities [128.55790219377315]
  グラフニューラルネットワークは多くのグラフレベルのタスクの主要なアーキテクチャとして登場した。 グラフプーリングは、グラフ全体の全体的グラフレベル表現を得るためには不可欠である。
  論文  参考訳（メタデータ） (2022-04-15T04:02:06Z)
• 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)
• Weakly-supervised Graph Meta-learning for Few-shot Node Classification [53.36828125138149]
  新しいグラフメタ学習フレームワーク - Graph Hallucination Networks (Meta-GHN) を提案する。 新たなロバストネス強化エピソードトレーニングに基づいて、Meta-GHNは、弱いラベル付きデータからクリーンノード表現を幻覚させるメタ学習を行う。 大規模な実験は、既存のグラフメタ学習研究よりもMeta-GHNの方が優れていることを示す。
  論文  参考訳（メタデータ） (2021-06-12T22:22:10Z)
• A Literature Review of Recent Graph Embedding Techniques for Biomedical Data [36.446560017794845]
  このようなデータを分析するために,グラフに基づく学習法が数多く提案されている。 主な困難は、バイオメディカルグラフの高次元性と空間性を扱う方法である。 グラフ埋め込みメソッドは、上記の問題に対処するための効率的かつ効率的な方法を提供する。
  論文  参考訳（メタデータ） (2021-01-17T01:53:50Z)
• Benchmark and Best Practices for Biomedical Knowledge Graph Embeddings [8.835844347471626]
  SNOMED-CT知識グラフ上に,いくつかの最先端知識グラフ埋め込みモデルを学習する。 本稿では,バイオメディカル知識表現の学習に知識グラフのマルチリレーショナルな性質を活用することの重要性を論じる。
  論文  参考訳（メタデータ） (2020-06-24T14:47:33Z)
• Structured Landmark Detection via Topology-Adapting Deep Graph Learning [75.20602712947016]
  解剖学的顔と医学的ランドマーク検出のための新しいトポロジ適応深層グラフ学習手法を提案する。 提案手法は局所像特徴と大域形状特徴の両方を利用するグラフ信号を構成する。 3つの公開顔画像データセット(WFLW、300W、COFW-68)と3つの現実世界のX線医学データセット(ケパロメトリ、ハンド、ペルビス)で実験を行った。
  論文  参考訳（メタデータ） (2020-04-17T11:55:03Z)

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。