論文の概要: Entity-Augmented Neuroscience Knowledge Retrieval Using Ontology and Semantic Understanding Capability of LLM
- arxiv url: http://arxiv.org/abs/2506.03145v1
- Date: Tue, 03 Jun 2025 17:59:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-04 21:47:35.992124
- Title: Entity-Augmented Neuroscience Knowledge Retrieval Using Ontology and Semantic Understanding Capability of LLM
- Title（参考訳）: LLMのオントロジーと意味的理解能力を用いたエンティティ強化神経科学知識検索
- Authors: Pralaypati Ta, Sriram Venkatesaperumal, Keerthi Ram, Mohanasankar Sivaprakasam,
- Abstract要約: 知識グラフ(KG)は複数の情報源からの知識を統合しリンクすることができる。
神経科学における既存のKGの構築方法は、しばしばラベル付きデータに依存し、ドメインの専門知識を必要とする。
本研究は、未ラベルの大規模神経科学研究コーパスからKGを構築する新しい方法を提案する。
- 参考スコア（独自算出の注目度）: 0.6187270874122919
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Neuroscience research publications encompass a vast wealth of knowledge. Accurately retrieving existing information and discovering new insights from this extensive literature is essential for advancing the field. However, when knowledge is dispersed across multiple sources, current state-of-the-art retrieval methods often struggle to extract the necessary information. A knowledge graph (KG) can integrate and link knowledge from multiple sources, but existing methods for constructing KGs in neuroscience often rely on labeled data and require domain expertise. Acquiring large-scale, labeled data for a specialized area like neuroscience presents significant challenges. This work proposes novel methods for constructing KG from unlabeled large-scale neuroscience research corpus utilizing large language models (LLM), neuroscience ontology, and text embeddings. We analyze the semantic relevance of neuroscience text segments identified by LLM for building the knowledge graph. We also introduce an entity-augmented information retrieval algorithm to extract knowledge from the KG. Several experiments were conducted to evaluate the proposed approaches, and the results demonstrate that our methods significantly enhance knowledge discovery from the unlabeled neuroscience research corpus. It achieves an F1 score of 0.84 for entity extraction, and the knowledge obtained from the KG improves answers to over 54% of the questions.
- Abstract（参考訳）: 神経科学研究の出版物は豊富な知識を含んでいる。
この分野を前進させるためには、既存の情報を正確に回収し、この広範な文献から新たな洞察を発見することが不可欠である。
しかし、知識が複数の情報源に分散している場合、現在の最先端の検索手法は必要な情報を抽出するのに苦労することが多い。
知識グラフ(KG)は複数の情報源から知識を統合し、リンクすることができるが、神経科学においてKGを構築する既存の手法は、しばしばラベル付きデータに依存し、ドメインの専門知識を必要とする。
神経科学のような専門分野の大規模ラベル付きデータを取得することは大きな課題である。
本研究は,大規模言語モデル(LLM),神経科学オントロジー,テキスト埋め込みを利用した,未ラベルの大規模神経科学研究コーパスからKGを構築する新しい手法を提案する。
知識グラフ構築のためのLLMによって同定された神経科学テキストセグメントの意味的関連性を分析する。
また、KGから知識を抽出するエンティティ拡張情報検索アルゴリズムも導入する。
提案手法を評価するためにいくつかの実験を行い,本手法が未ラベル神経科学研究コーパスからの知識発見を著しく促進することを示した。
エンティティ抽出のF1スコアは0.84で、KGから得た知識は質問の54%以上まで改善される。
関連論文リスト
- Neural-Symbolic Reasoning over Knowledge Graphs: A Survey from a Query Perspective [55.79507207292647]
知識グラフ推論は、データマイニング、人工知能、Web、社会科学など、さまざまな分野において重要である。
ニューラルAIの台頭は、深層学習の頑健さと象徴的推論の精度を融合させることで、大きな進歩を見せている。
大規模言語モデル(LLM)の出現により、知識グラフ推論の新しいフロンティアが開かれた。
論文 参考訳（メタデータ） (2024-11-30T18:54:08Z) - Knowledge-Guided Prompt Learning for Lifespan Brain MR Image Segmentation [53.70131202548981]
本稿では,脳MRIにKGPL(Knowledge-Guided Prompt Learning)を用いた2段階のセグメンテーションフレームワークを提案する。
具体的には,大規模データセットと準最適ラベルを用いたトレーニング前セグメンテーションモデルについて述べる。
知識的プロンプトの導入は、解剖学的多様性と生物学的プロセスの間の意味的関係を捉えている。
論文 参考訳（メタデータ） (2024-07-31T04:32:43Z) - Construction and Application of Materials Knowledge Graph in Multidisciplinary Materials Science via Large Language Model [16.03026839786526]
本稿では,大規模言語モデルと統合された高度な自然言語処理技術を活用したマテリアルナレッジグラフ(MKG)を紹介する。
MKGは、情報を名前、フォーミュラ、アプリケーションなどの包括的なラベルに分類する。
ネットワークベースのアルゴリズムを実装することで、MKGは効率的なリンク予測を容易にするだけでなく、従来の実験手法への依存を著しく低減する。
論文 参考訳（メタデータ） (2024-04-03T21:46:14Z) - 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) - From Large Language Models to Knowledge Graphs for Biomarker Discovery
in Cancer [0.9437165725355702]
人工知能(AI)の難しいシナリオは、バイオメディカルデータを使用して、がんの病態の診断と治療のレコメンデーションを提供することである。
大規模知識グラフ(KG)は、意味的相互関連エンティティや関係に関する事実の統合と抽出によって構築することができる。
本稿では,癌特異的バイオマーカー発見と対話型QAを活用するドメインKGを開発する。
論文 参考訳（メタデータ） (2023-10-12T14:36:13Z) - Beyond Factuality: A Comprehensive Evaluation of Large Language Models
as Knowledge Generators [78.63553017938911]
大規模言語モデル(LLM)は、下流の知識集約タスクのための情報検索技術より優れている。
しかし、コミュニティの懸念は、この無検閲の知識を使用することの事実と潜在的意味について多岐にわたる。
本研究では,6つの重要な視点から生成した知識を評価するために設計されたCONNERを紹介する。
論文 参考訳（メタデータ） (2023-10-11T08:22:37Z) - 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) - Neuro-Symbolic Learning of Answer Set Programs from Raw Data [54.56905063752427]
Neuro-Symbolic AIは、シンボリックテクニックの解釈可能性と、生データから学ぶ深層学習の能力を組み合わせることを目的としている。
本稿では,ニューラルネットワークを用いて生データから潜在概念を抽出するNSIL(Neuro-Symbolic Inductive Learner)を提案する。
NSILは表現力のある知識を学習し、計算的に複雑な問題を解き、精度とデータ効率の観点から最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2022-05-25T12:41:59Z) - Text to Insight: Accelerating Organic Materials Knowledge Extraction via
Deep Learning [1.2774526936067927]
本研究は,有機材料の知識抽出を探求することを目的とする。
我々は,92,667件の要約から,855件の注釈文と708,376件の注釈文からなる研究データセットを構築した。
BiLSTM-CNN-CRF深層学習モデルを用いて,文献から重要な知識を自動的に抽出した。
論文 参考訳（メタデータ） (2021-09-27T01:58:35Z) - COVID-19 Literature Knowledge Graph Construction and Drug Repurposing
Report Generation [79.33545724934714]
我々は,学術文献から微細なマルチメディア知識要素を抽出する,新しい包括的知識発見フレームワークであるCOVID-KGを開発した。
我々のフレームワークはまた、証拠として詳細な文脈文、サブフィギュア、知識のサブグラフも提供します。
論文 参考訳（メタデータ） (2020-07-01T16:03:20Z)
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。