論文の概要: Finding New Connections between Concepts from Medline Database Incorporating Domain Knowledge
- arxiv url: http://arxiv.org/abs/2606.07530v1
- Date: Tue, 21 Apr 2026 05:13:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-22 00:19:06.268145
- Title: Finding New Connections between Concepts from Medline Database Incorporating Domain Knowledge
- Title（参考訳）: ドメイン知識を取り入れたメドラインデータベースから概念間の新しいつながりを見つける
- Authors: Yang Weikang, Chowdhury S. M. Mazharul Hoque, Jin Wei,
- Abstract要約: 本研究では,Don R. SwansonによるABCモデルから修正した適応モデルについて論じる。
モデルは、AとCの2つのトピックが異なり、関係がないことを示している。
しかし、共通のトピックであるBがあり、トピックAとCを接続するのに使用できます。
- 参考スコア（独自算出の注目度）: 4.028088638688522
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: In this digital world, data is everything and significantly impacts our everyday lives. Interestingly, in this small world, everything is part of an ecosystem, where everything is connected, directly or indirectly. The same thing happens to data as well. In most cases, it may seem like a particular topic does not have any connection with another one, but in reality, they are connected through a mutually related topic. Therefore, in this research, we will discuss an adaptive model modified from the ABC model by Don R. Swanson, a Literature-Based Discovery (LBD) Model, to find the hidden connections between Concepts of Interest. The model demonstrates that two topics, A and C are different and have no relationship. But they have a common topic, B that can be used to connect topics A and C This famous model will be used in this discussion to connect Medical Concepts.
- Abstract（参考訳）: このデジタル世界では、データがすべてであり、私たちの日常生活に大きな影響を与えます。
興味深いことに、この小さな世界では、すべてがエコシステムの一部であり、すべてが直接、あるいは間接的に接続されている。
同じことがデータにも起こります。
ほとんどの場合、特定のトピックは別のトピックとは関係がないように思われるが、実際には相互に関連するトピックを通して接続される。
そこで本研究では,文学に基づく発見(LBD)モデルであるDon R. Swanson氏がABCモデルから修正した適応モデルについて論じる。
モデルは、AとCの2つのトピックが異なり、関係がないことを示している。
この有名なモデルは、医学的概念を結びつけるためにこの議論で使われるでしょう。
関連論文リスト
- Finding Hidden Relationships Between Medical Concepts by Leveraging Metamap and Text Mining Techniques [7.581654725698108]
MetaMapと適切なテキストマイニング技術を用いて、2つの医療概念間の隠れた関係を見つける新しいモデルが提示されている。
このモデルは、新しい包括的なインデックス構造を作成し、既存のほとんどのアプローチが無視した関心トピックをリンクするクロスドキュメントの隠れリンクを見つけることができる。
論文 参考訳（メタデータ） (2026-04-30T23:08:10Z) - Old Habits Die Hard: How Conversational History Geometrically Traps LLMs [59.84224364012311]
最近の研究は、大きな言語モデル(LLM)が、予期しない方法で会話の歴史に影響されていることを示唆している。
会話履歴がその後の世代にどのように依存するかを調査するフレームワークであるHistory-Echoesを紹介する。
論文 参考訳（メタデータ） (2026-02-08T14:13:15Z) - A dataset of questions on decision-theoretic reasoning in Newcomb-like problems [10.826981264871655]
いわゆるニューコム型問題の決定理論において,自然言語質問のデータセットを導入する。
ニューコムのような問題に対する推論のいくつかの方法は、モデル間のより深い協調を可能にするかもしれない。
論文 参考訳（メタデータ） (2024-11-15T21:19:04Z) - Shared Imagination: LLMs Hallucinate Alike [92.4557277529155]
本稿では,モデル類似性をよりよく理解するために,新しい設定,想像的質問応答(IQA)を提案する。
IQAでは、あるモデルに純粋に想像上の質問を生成し、別のモデルに答えるよう促す。
これらの質問の完全なフィクション性にもかかわらず、すべてのモデルがお互いの質問に顕著な成功で答えることができる。
論文 参考訳（メタデータ） (2024-07-23T16:06:22Z) - Mode Connectivity and Data Heterogeneity of Federated Learning [8.677832361022809]
フェデレートラーニング(FL)は、複数のクライアントがデータをプライベートに保ちながらモデルをトレーニングすることを可能にする。
これまでの研究では、クライアント間のデータの異質性は、クライアント更新間のドリフトにつながることが示されている。
クライアントモードとグローバルモードの関係に関する実証的および理論的研究を行う。
論文 参考訳（メタデータ） (2023-09-29T01:49:03Z) - Physics of Language Models: Part 3.1, Knowledge Storage and Extraction [51.68385617116854]
大規模言語モデル(LLM)は膨大な量の世界の知識を格納することができ、しばしば質問応答によって抽出できる。
モデルが知識を抽出する能力と,トレーニングデータの多様な多様性尺度との間には,強い相関関係が認められた。
論文 参考訳（メタデータ） (2023-09-25T17:37:20Z) - Learning to Compose Visual Relations [100.45138490076866]
我々は,各関係を非正規化密度(エネルギーベースモデル)として表現することを提案する。
このような分解を分解することで、複数の関係を持つシーンをより忠実に生成・編集できることを示す。
論文 参考訳（メタデータ） (2021-11-17T18:51:29Z) - A Co-Interactive Transformer for Joint Slot Filling and Intent Detection [61.109486326954205]
音声言語理解システム(SLU)を構築する上では,インテント検出とスロットフィリングが主要な2つのタスクである。
以前の研究では、2つのタスクを個別にモデル化するか、インテントからスロットへの単一の情報フローのみを考慮していた。
本稿では,2つのタスク間の相互影響を同時に検討するコ・インターアクティブ・トランスフォーマーを提案する。
論文 参考訳（メタデータ） (2020-10-08T10:16:52Z) - Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。
グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。
まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
論文 参考訳（メタデータ） (2020-06-11T17:29:53Z)
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。