論文の概要: Summarization for Generative Relation Extraction in the Microbiome Domain

• arxiv url: http://arxiv.org/abs/2506.08647v1
• Date: Tue, 10 Jun 2025 09:58:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-11 15:11:42.267215
• Title: Summarization for Generative Relation Extraction in the Microbiome Domain
• Title（参考訳）: マイクロバイオーム領域における生成的関係抽出のための要約
• Authors: Oumaima El Khettari, Solen Quiniou, Samuel Chaffron,
• Abstract要約: 腸内マイクロバイオームの相互作用を研究するために, 生成的関係抽出パイプラインを探索する。 専用コーパスにおける予備的な結果から、要約はノイズを低減し、モデルを導くことにより、生成RE性能を向上させることが示された。
• 参考スコア（独自算出の注目度）: 0.19662978733004596
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We explore a generative relation extraction (RE) pipeline tailored to the study of interactions in the intestinal microbiome, a complex and low-resource biomedical domain. Our method leverages summarization with large language models (LLMs) to refine context before extracting relations via instruction-tuned generation. Preliminary results on a dedicated corpus show that summarization improves generative RE performance by reducing noise and guiding the model. However, BERT-based RE approaches still outperform generative models. This ongoing work demonstrates the potential of generative methods to support the study of specialized domains in low-resources setting.
• Abstract（参考訳）: 複雑な低リソースのバイオメディカルドメインである腸内マイクロバイオームの相互作用を研究するために, 生成的関係抽出(RE)パイプラインを探索した。 提案手法は,大規模言語モデル (LLM) との要約を利用して,命令付き生成による関係の抽出に先立って文脈を洗練する。 専用コーパスにおける予備的な結果から、要約はノイズを低減し、モデルを導くことにより、生成RE性能を向上させることが示された。 しかし、BERTベースのREアプローチは生成モデルよりも優れている。 この研究は、低リソース環境における特殊領域の研究を支援するための生成手法の可能性を示すものである。

関連論文リスト

• Multi-Modal and Multi-Attribute Generation of Single Cells with CFGen [76.02070962797794]
  本研究では、単一セルデータ固有の離散性を保存するフローベースの条件生成モデルであるCellFlow for Generation (CFGen)を紹介する。 CFGenは、全ゲノムマルチモーダル単一セルデータを確実に生成し、重要な生物学的データ特性の回復を改善する。
  論文  参考訳（メタデータ） (2024-07-16T14:05:03Z)
• Improving Expert Radiology Report Summarization by Prompting Large Language Models with a Layperson Summary [8.003346409136348]
  放射線医学報告要約(RRS)は患者のケアに不可欠であり、詳細な「フィンディング」からの簡潔な「印象」を必要とする 本稿では、まず、素人要約を生成することでRSを強化するための新しいプロンプト戦略を提案する。 本結果は,特にドメイン外テストにおいて,要約精度とアクセシビリティの向上を示す。
  論文  参考訳（メタデータ） (2024-06-20T17:01:55Z)
• Enhancing Low-Resource Relation Representations through Multi-View Decoupling [21.32064890807893]
  本稿では,MVREという新しいプロンプトに基づく関係表現手法を提案する。 MVREは、各関係を異なる視点に分離し、多視点関係表現を包含する。 提案手法は,低リソース環境下での最先端化を実現する。
  論文  参考訳（メタデータ） (2023-12-26T14:16:16Z)
• Improving Biomedical Entity Linking with Retrieval-enhanced Learning [53.24726622142558]
  $k$NN-BioELは、トレーニングコーパス全体から同様のインスタンスを予測のヒントとして参照する機能を備えたBioELモデルを提供する。 k$NN-BioELは、いくつかのデータセットで最先端のベースラインを上回ります。
  論文  参考訳（メタデータ） (2023-12-15T14:04:23Z)
• Relation Extraction in underexplored biomedical domains: A diversity-optimised sampling and synthetic data generation approach [0.0]
  ラベル付きデータの空間性は関係抽出モデルの開発に障害となる。 我々は、最初のキュレートされた評価データセットを作成し、LOTUSデータベースから文献項目を抽出し、トレーニングセットを構築する。 我々は,オープンな大規模言語モデルを用いた生成タスクと数ショット学習として,標準微調整の性能を評価する。
  論文  参考訳（メタデータ） (2023-11-10T19:36:00Z)
• Less is More: Mitigate Spurious Correlations for Open-Domain Dialogue Response Generation Models by Causal Discovery [52.95935278819512]
  本研究で得られたCGDIALOGコーパスに基づくオープンドメイン応答生成モデルのスプリアス相関に関する最初の研究を行った。 因果探索アルゴリズムに着想を得て,反応生成モデルの学習と推論のための新しいモデル非依存手法を提案する。
  論文  参考訳（メタデータ） (2023-03-02T06:33:48Z)
• Towards Realistic Low-resource Relation Extraction: A Benchmark with Empirical Baseline Study [51.33182775762785]
  本稿では,低リソース環境下での関係抽出システムを構築するための実証的研究について述べる。 低リソース環境での性能を評価するための3つのスキームについて検討する。 (i) ラベル付きラベル付きデータを用いた異なるタイプのプロンプトベース手法、 (ii) 長期分布問題に対処する多様なバランシング手法、 (iii) ラベル付きインドメインデータを生成するためのデータ拡張技術と自己学習。
  論文  参考訳（メタデータ） (2022-10-19T15:46:37Z)
• Improving Long Tailed Document-Level Relation Extraction via Easy Relation Augmentation and Contrastive Learning [66.83982926437547]
  我々は,DocREが現実のシナリオにおいて,長期分布問題の緩和に不可欠であると主張する。 長期分布問題に動機付けられ,DocREを改善するための簡易関係拡張法(ERA)を提案する。
  論文  参考訳（メタデータ） (2022-05-21T06:15:11Z)
• SAIS: Supervising and Augmenting Intermediate Steps for Document-Level Relation Extraction [51.27558374091491]
  本稿では,関係抽出のための中間ステップ(SAIS)を監督し,拡張することにより,関連コンテキストやエンティティタイプをキャプチャするモデルを明示的に教えることを提案する。 そこで本提案手法は,より効果的な管理を行うため,より優れた品質の関係を抽出するだけでなく,それに対応する証拠をより正確に抽出する。
  論文  参考訳（メタデータ） (2021-09-24T17:37:35Z)

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。