論文の概要: Bio-KGvec2go: Serving up-to-date Dynamic Biomedical Knowledge Graph Embeddings

• arxiv url: http://arxiv.org/abs/2509.07905v1
• Date: Tue, 09 Sep 2025 16:46:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-10 14:38:27.40273
• Title: Bio-KGvec2go: Serving up-to-date Dynamic Biomedical Knowledge Graph Embeddings
• Title（参考訳）: Bio-KGvec2go: 最新の動的バイオメディカル知識グラフ埋め込みを実現する
• Authors: Hamid Ahmad, Heiko Paulheim, Rita T. Sousa,
• Abstract要約: KGvec2go Web APIの拡張であるBio-vec2goを提案する。 計算ユーザに必要な最小限の労力で最新の埋め込みを提供することで、Bio-vec2goは効率的でタイムリーなバイオメディカルな研究である。
• 参考スコア（独自算出の注目度）: 3.0778023655689144
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Knowledge graphs and ontologies represent entities and their relationships in a structured way, having gained significance in the development of modern AI applications. Integrating these semantic resources with machine learning models often relies on knowledge graph embedding models to transform graph data into numerical representations. Therefore, pre-trained models for popular knowledge graphs and ontologies are increasingly valuable, as they spare the need to retrain models for different tasks using the same data, thereby helping to democratize AI development and enabling sustainable computing. In this paper, we present Bio-KGvec2go, an extension of the KGvec2go Web API, designed to generate and serve knowledge graph embeddings for widely used biomedical ontologies. Given the dynamic nature of these ontologies, Bio-KGvec2go also supports regular updates aligned with ontology version releases. By offering up-to-date embeddings with minimal computational effort required from users, Bio-KGvec2go facilitates efficient and timely biomedical research.
• Abstract（参考訳）: 知識グラフとオントロジーはエンティティとその関係を構造化された方法で表現し、現代のAIアプリケーションの開発において重要な存在となった。 これらのセマンティックリソースと機械学習モデルを統合するには、グラフデータを数値表現に変換するための知識グラフ埋め込みモデルに依存することが多い。 したがって、一般的な知識グラフとオントロジーのための事前訓練されたモデルは、同じデータを使用して異なるタスクのためのモデルをトレーニングする必要がなく、それによってAI開発を民主化し、持続可能なコンピューティングを可能にするため、ますます価値が増している。 本稿では,KGvec2go Web APIの拡張であるBio-KGvec2goについて述べる。 これらのオントロジーの動的な性質を考えると、Bio-KGvec2goはオントロジーバージョンリリースに合わせて定期的なアップデートもサポートする。 Bio-KGvec2goは、ユーザに必要な最小限の計算労力で最新の埋め込みを提供することで、効率的でタイムリーなバイオメディカルリサーチを促進する。

関連論文リスト

• VitaGraph: Building a Knowledge Graph for Biologically Relevant Learning Tasks [8.962235896860294]
  複数の公開データセットの統合と精錬によって構築された包括的生物学的知識グラフを提案する。 得られたリソースは、計算生物学と精密医療の研究を進めるための最先端のプラットフォームとして機能する、一貫性があり信頼性の高い生物学的知識グラフである。
  論文  参考訳（メタデータ） (2025-05-16T12:43:04Z)
• The Role of Graph Topology in the Performance of Biomedical Knowledge Graph Completion Models [3.1666540219908272]
  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。
  論文  参考訳（メタデータ） (2024-09-06T08:09:15Z)
• Graph Relation Distillation for Efficient Biomedical Instance Segmentation [80.51124447333493]
  本稿では,効率的なバイオメディカル・インスタンス・セグメンテーションのためのグラフ関係蒸留手法を提案する。 画像内レベルと画像間レベルの両方に展開する2つのグラフ蒸留方式を導入する。 多くのバイオメディカルデータセットの実験結果から,本手法の有効性が検証された。
  論文  参考訳（メタデータ） (2024-01-12T04:41:23Z)
• 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)
• Tertiary Lymphoid Structures Generation through Graph-based Diffusion [54.37503714313661]
  本研究では,最先端のグラフベース拡散モデルを用いて生物学的に意味のある細胞グラフを生成する。 本研究では, グラフ拡散モデルを用いて, 3次リンパ構造(TLS)の分布を正確に学習できることを示す。
  論文  参考訳（メタデータ） (2023-10-10T14:37:17Z)
• Bi-level Contrastive Learning for Knowledge-Enhanced Molecule Representations [68.32093648671496]
  分子に固有の二重レベル構造を考慮に入れたGODEを導入する。 分子は固有のグラフ構造を持ち、より広い分子知識グラフ内のノードとして機能する。 異なるグラフ構造上の2つのGNNを事前学習することにより、GODEは対応する知識グラフサブ構造と分子構造を効果的に融合させる。
  論文  参考訳（メタデータ） (2023-06-02T15:49:45Z)
• KG-Hub -- Building and Exchanging Biological Knowledge Graphs [0.5369297590461578]
  KG-Hubは知識グラフの標準化された構築、交換、再利用を可能にするプラットフォームである。 現在のKG-Hubプロジェクトは、新型コロナウイルス研究、薬物再精製、微生物-環境相互作用、希少疾患研究などのユースケースにまたがっている。
  論文  参考訳（メタデータ） (2023-01-31T21:29:35Z)
• Relationship extraction for knowledge graph creation from biomedical literature [0.0]
  バイオメディカル文献からスケーラブルな関係抽出のためのルールベースと機械学習ベースの手法をほとんど提示し比較する。 我々は、これらの様々な手法が、不均衡で比較的小さなデータセットに対して、いかに回復力があるかを検討する。 最高のパフォーマンスモデルは、バランスの取れたデータに基づいて微調整されたT5モデルで、F1スコアは0.88と報告されている。
  論文  参考訳（メタデータ） (2022-01-05T15:09:33Z)
• 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)
• 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)

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。