論文の概要: CMKL: Modality-Aware Continual Learning for Evolving Biomedical Knowledge Graphs

• arxiv url: http://arxiv.org/abs/2605.10510v1
• Date: Mon, 11 May 2026 13:03:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.828613
• Title: CMKL: Modality-Aware Continual Learning for Evolving Biomedical Knowledge Graphs
• Title（参考訳）: CMKL: バイオメディカル知識グラフの進化のためのモダリティを考慮した継続的学習
• Authors: Yousef A. Radwan, Yao Li, Qing Qing, Ziqi Xu, Qixin Zhang, Yongcheng Jing, Renqiang Luo, Xikun Zhang,
• Abstract要約: 本稿では, 構造, テキスト, 分子を符号化し, それまでの知識を保護した生物医学的KGのためのCLフレームワークを提案する。 CMKLを129K-entity Biomedical continual benchmarkで10タスクで評価した。
• 参考スコア（独自算出の注目度）: 11.909154331954456
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Biomedical knowledge graphs are increasingly large, dynamic, and multimodal, driven by rapid advances in biotechnology such as high-throughput sequencing. Machine learning models can infer previously unobserved biomedical relationships and characterize biomedical entities in these graphs, but existing knowledge graph embedding methods and their continual learning extensions either assume static graph structure or fail to exploit multimodal information under evolving data distributions. They also apply uniform regularization across all model parameters, ignoring that different modalities may exhibit distinct forgetting dynamics as the graph evolves. We propose the Continual Multimodal Knowledge Graph Learner (CMKL), a CL framework for biomedical KGs that natively encodes structure, text, and molecules, fuses them through a Mixture-of-Experts (MoE) router, and protects previously learned knowledge with standard EWC regularization and a K-means-diverse multimodal replay buffer. We evaluate CMKL on a 129K-entity biomedical continual benchmark with 10 tasks. On continual biomedical entity classification, CMKL reaches AP 0.591 versus 0.370 for the strongest structural baseline, a 60% gain that is driven by access to multimodal features and preserved across the sequence with near-zero forgetting (AF 0.008). On continual relationship prediction, CMKL reaches AP $0.062$, matching Naive Sequential and EWC (0.058) within seed noise and outperforming Joint Training (0.047, p=0.045) and LKGE (0.039). A frozen-text ablation reaches AP 0.136, more than double any jointly trained model, yet that signal is unreachable by margin-ranking gradients: the greedy-modality asymmetry lives at the representation level, not the fusion level, and MoE routing manages it by suppressing the unreachable modality without forcing it through a learned bottleneck. Code: github.com/yradwan147/cmkl-neurips2026
• Abstract（参考訳）: バイオメディカル知識グラフは、ハイスループットシークエンシングのようなバイオテクノロジーの急速な進歩によって、ますます大きく、ダイナミックで、マルチモーダルになっている。 しかし、既存の知識グラフ埋め込み手法とその継続学習拡張は、静的グラフ構造を仮定するか、進化するデータ分布の下でマルチモーダル情報を活用できないかのいずれかである。 彼らはまた、全てのモデルパラメータに対して一様正則化を適用し、グラフが進化するにつれて異なるモジュラリティが異なる忘れるダイナミクスを示す可能性があることを無視する。 本研究では,生物医学的KGのためのCLフレームワークであるContinual Multimodal Knowledge Graph Learner (CMKL)を提案する。これは構造,テキスト,分子をネイティブにエンコードし,Mixture-of-Experts (MoE)ルータを通じてそれらを融合し,標準的なEWC正規化とK-means-diverse Multimodal replay bufferによる学習知識を保護する。 CMKLを129K-entity Biomedical continual benchmarkで10タスクで評価した。 連続的な生物医学的実体分類では、CMKLは最も強い構造的基線に対してAP 0.591 対 0.370 に達し、その60%はマルチモーダルな特徴へのアクセスによって引き起こされ、ほぼゼロの忘れ込み(AF 0.008)で保存される。 連続関係予測では、CMKLはAP$0.062$に達し、NIVE SequentialとEWC(0.058)をシードノイズ内でマッチングし、ジョイントトレーニング(0.047, p=0.045)とLKGE(0.039)を上回ります。 フリーズテキストアブレーションはAP 0.136に到達したが、その信号はマージングレードの勾配によって到達できない: グリーディモード非対称性は、融合レベルではなく表現レベルに存在し、MoEルーティングは、学習ボトルネックを強制することなく、到達不可能なモダリティを抑える。 コード:github.com/yradwan147/cmkl-neurips2026

関連論文リスト

• PrimeKG-CL: A Continual Graph Learning Benchmark on Evolving Biomedical Knowledge Graphs [19.859134741964805]
  既存の連続グラフ学習は、ほとんど完全に合成ランダムな一般的なKGについて研究されている。 9つの信頼できるバイオメディカルデータベースから構築されたベンチマークを導入する。 我々は、4つのKGEデコーダ、LKGE、CK-hugging agent、CMKLの6つのCL戦略を評価した。
  論文  参考訳（メタデータ） (2026-05-11T13:14:02Z)
• impuTMAE: Multi-modal Transformer with Masked Pre-training for Missing Modalities Imputation in Cancer Survival Prediction [75.43342771863837]
  我々は,効率的なマルチモーダル事前学習戦略を備えた新しいトランスフォーマーに基づくエンドツーエンドアプローチである impuTMAE を紹介する。 マスクされたパッチを再構築することで、モダリティの欠如を同時に示唆しながら、モダリティ間の相互作用とモダリティ内相互作用を学習する。 本モデルは,TGA-GBM/LGGとBraTSデータセットを用いたグリオーマ生存予測のために,異種不完全データに基づいて事前訓練を行った。
  論文  参考訳（メタデータ） (2025-08-08T10:01:16Z)
• BioGraphFusion: Graph Knowledge Embedding for Biological Completion and Reasoning [0.8983181722105922]
  そこで我々は,BioGraphFusionを紹介した。 3つの重要なバイオメディカルタスクにわたる実験により、バイオグラフフュージョンは最先端のKE、GNN、アンサンブルモデルよりも優れた性能を示した。
  論文  参考訳（メタデータ） (2025-07-19T04:03:42Z)
• Multimodal Contrastive Representation Learning in Augmented Biomedical Knowledge Graphs [2.006175707670159]
  PrimeKG++はマルチモーダルデータを組み込んだ豊富な知識グラフである。 提案手法は強い一般化可能性を示し,未知のノードに対しても正確なリンク予測を可能にする。
  論文  参考訳（メタデータ） (2025-01-03T05:29:12Z)
• GTP-4o: Modality-prompted Heterogeneous Graph Learning for Omni-modal Biomedical Representation [68.63955715643974]
  Omnimodal Learning(GTP-4o)のためのモダリティプロンプト不均質グラフ 我々は、Omnimodal Learning(GTP-4o)のための革新的モダリティプロンプト不均質グラフを提案する。
  論文  参考訳（メタデータ） (2024-07-08T01:06:13Z)
• UniCell: Universal Cell Nucleus Classification via Prompt Learning [76.11864242047074]
  ユニバーサル細胞核分類フレームワーク(UniCell)を提案する。 異なるデータセットドメインから対応する病理画像のカテゴリを均一に予測するために、新しいプロンプト学習機構を採用している。 特に,本フレームワークでは,原子核検出と分類のためのエンドツーエンドアーキテクチャを採用し,フレキシブルな予測ヘッドを用いて様々なデータセットを適応する。
  論文  参考訳（メタデータ） (2024-02-20T11:50:27Z)
• Differentiable Agent-based Epidemiology [71.81552021144589]
  GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。 GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
  論文  参考訳（メタデータ） (2022-07-20T07:32:02Z)
• 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)
• A Systematic Approach to Featurization for Cancer Drug Sensitivity Predictions with Deep Learning [49.86828302591469]
  35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。 RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
  論文  参考訳（メタデータ） (2020-04-30T20:42:17Z)

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。