論文の概要: Generating Reliable Adverse event Profiles for Health through Automated Integrated Data (GRAPH-AID): A Semi-Automated Ontology Building Approach

• arxiv url: http://arxiv.org/abs/2506.20851v1
• Date: Wed, 25 Jun 2025 21:48:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-27 19:53:09.897918
• Title: Generating Reliable Adverse event Profiles for Health through Automated Integrated Data (GRAPH-AID): A Semi-Automated Ontology Building Approach
• Title（参考訳）: 自動統合データ(GRAPH-AID: Semi-Automated Ontology Building Approach)による健康のための信頼性のある逆イベントプロファイルの生成
• Authors: Srikar Reddy Gadusu, Larry Callahan, Samir Lababidi, Arunasri Nishtala, Sophia Healey, Hande McGinty,
• Abstract要約: 本稿では,Pythonとそのrdflibライブラリを用いてオントロジー開発を支援するユーザフレンドリーなアプローチを提案する。 我々は,必要なクラスとその公理を自動生成するPythonスクリプトを開発し,よりスムーズな統合プロセスを実現する。 このアプローチは、薬物安全監視の改善と公衆衛生の意思決定を支援する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As data and knowledge expand rapidly, adopting systematic methodologies for ontology generation has become crucial. With the daily increases in data volumes and frequent content changes, the demand for databases to store and retrieve information for the creation of knowledge graphs has become increasingly urgent. The previously established Knowledge Acquisition and Representation Methodology (KNARM) outlines a systematic approach to address these challenges and create knowledge graphs. However, following this methodology highlights the existing challenge of seamlessly integrating Neo4j databases with the Web Ontology Language (OWL). Previous attempts to integrate data from Neo4j into an ontology have been discussed, but these approaches often require an understanding of description logics (DL) syntax, which may not be familiar to many users. Thus, a more accessible method is necessary to bridge this gap. This paper presents a user-friendly approach that utilizes Python and its rdflib library to support ontology development. We showcase our novel approach through a Neo4j database we created by integrating data from the Food and Drug Administration (FDA) Adverse Event Reporting System (FAERS) database. Using this dataset, we developed a Python script that automatically generates the required classes and their axioms, facilitating a smoother integration process. This approach offers a practical solution to the challenges of ontology generation in the context of rapidly growing adverse drug event datasets, supporting improved drug safety monitoring and public health decision-making.
• Abstract（参考訳）: データと知識が急速に拡大するにつれて、オントロジー生成のための体系的方法論の採用が重要になっている。 データ量の増加や頻繁なコンテンツの変化に伴い、知識グラフ作成のための情報を保存・取得するデータベースの需要がますます高まっている。 KNARM(Knowledge Acquisition and Representation Methodology)は、これらの課題に対処し、知識グラフを作成するための体系的なアプローチの概要である。 しかし、この方法論に従うと、Neo4jデータベースをWeb Ontology Language (OWL)とシームレスに統合するという既存の課題が浮き彫りになる。 Neo4jからのデータをオントロジーに統合する以前の試みは議論されてきたが、これらのアプローチでは記述ロジック(DL)の構文を理解する必要があることが多く、多くのユーザには馴染みがない。 したがって、このギャップを埋めるためには、よりアクセスしやすい方法が必要である。 本稿では,Pythonとそのrdflibライブラリを用いてオントロジー開発を支援するユーザフレンドリーなアプローチを提案する。 我々は、食品医薬品局(FDA)のデータベース(FAERS)のデータを統合して作成したNeo4jデータベースを通して、我々の新しいアプローチを紹介します。 このデータセットを用いて,必要なクラスとその公理を自動的に生成し,よりスムーズな統合プロセスを実現するPythonスクリプトを開発した。 このアプローチは、急速に悪化する薬物イベントデータセットの文脈におけるオントロジー生成の課題に対する実践的な解決策を提供する。

関連論文リスト

• A GenAI System for Improved FAIR Independent Biological Database Integration [0.0]
  実験的な自然言語に基づくクエリ処理システムを導入し,生物学データベースの発見,アクセス,クエリを可能にする。 FAIRBridgeは、クエリインテントを解釈し、関連するデータベースにマップし、実行可能なクエリを生成するAIの機能を活用する。 このシステムには、低品質のクエリ処理を緩和し、提供された情報の忠実度と応答性を確保するための堅牢なツールも含まれている。
  論文  参考訳（メタデータ） (2025-06-22T08:04:24Z)
• Retrieval-Augmented Generation of Ontologies from Relational Databases [13.160850863758]
  本稿では、RDBオントロジーの検索拡張反復生成であるRIGORについて述べる。 リレーショナルを人間の最小限の労力でリッチスキーマに変換するアプローチが紹介されている。
  論文  参考訳（メタデータ） (2025-06-02T01:10:05Z)
• GenKI: Enhancing Open-Domain Question Answering with Knowledge Integration and Controllable Generation in Large Language Models [75.25348392263676]
  オープンドメイン質問応答(OpenQA)は自然言語処理(NLP)の基盤である。 我々は,知識統合と制御可能生成を探求し,OpenQAの性能向上を目的としたGenKIという新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-26T08:18:33Z)
• Combining LLMs and Knowledge Graphs to Reduce Hallucinations in Question Answering [0.0]
  大言語モデル(LLM)と知識グラフ(KG)を組み合わせて、質問応答システムの精度と信頼性を向上させる。 提案手法は,LLM生成クエリの構文的および意味論的妥当性を保証するクエリチェッカーを組み込んだものである。 このアプローチをアクセス可能にするため、ユーザフレンドリーなWebベースのインターフェースが開発されている。
  論文  参考訳（メタデータ） (2024-09-06T10:49:46Z)
• Automating Pharmacovigilance Evidence Generation: Using Large Language Models to Produce Context-Aware SQL [0.0]
  検索拡張世代(RAG)フレームワークでOpenAIのGPT-4モデルを利用する。 ビジネスコンテキストドキュメントはビジネスコンテキストドキュメントでリッチ化され、NLQを構造化クエリ言語クエリに変換する。 複雑性の高いクエリが除外された場合、パフォーマンスは最大85%向上した。
  論文  参考訳（メタデータ） (2024-06-15T17:07:31Z)
• DIVKNOWQA: Assessing the Reasoning Ability of LLMs via Open-Domain Question Answering over Knowledge Base and Text [73.68051228972024]
  大きな言語モデル(LLM)は印象的な生成能力を示すが、内部知識に依存すると幻覚に悩まされる。 検索拡張LDMは、外部知識においてLLMを基盤とする潜在的な解決策として出現している。
  論文  参考訳（メタデータ） (2023-10-31T04:37:57Z)
• Large Language Models for Information Retrieval: A Survey [58.30439850203101]
  情報検索は、項ベースの手法から高度なニューラルモデルとの統合へと進化してきた。 近年の研究では、大規模言語モデル(LLM)を活用してIRシステムの改善が試みられている。 LLMとIRシステムの合流点を探索し、クエリリライト、リトリバー、リランカー、リーダーといった重要な側面を含む。
  論文  参考訳（メタデータ） (2023-08-14T12:47:22Z)

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。