論文の概要: Detecting Speculative Language in Biomedical Texts using Recurrent Neural Tensor Networks

• arxiv url: http://arxiv.org/abs/2606.10471v1
• Date: Tue, 09 Jun 2026 06:39:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-10 15:40:58.353883
• Title: Detecting Speculative Language in Biomedical Texts using Recurrent Neural Tensor Networks
• Title（参考訳）: リカレントニューラルテンソルネットワークを用いたバイオメディカルテキスト中の投機的言語の検出
• Authors: Dhruv Dixit,
• Abstract要約: 本研究では,分散文表現と高度な深層学習技術を用いて,バイオメディカル記事中の投機的言語の自動検出について検討する。 本研究は,パラグラフベクトルモデルと再帰ニューラルネットワークという,文表現を得るための2つの異なるアプローチを含む。 以上の結果から,RNTN(Recursive Neural Network)は,最上位のベースラインである線形ビッグラムSVMに対して,わずかな性能エッジ(F1 = 0.885)を示すことが明らかとなった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this investigation, we delve into the automated detection of speculative language within biomedical articles by utilizing distributed sentence representations and advanced deep learning techniques. The implications of such identification extend to information retrieval, multi-document summarization, and the exploration of new knowledge. Our exploration encompasses two distinct approaches for acquiring distributed sentence representations: the Paragraph Vector model and the Recursive Neural Tensor Network. These methodologies are then rigorously compared against three foundational baseline algorithms: Support Vector Machines, Naive Bayes, and pattern matching. Our findings reveal that the Recursive Neural Tensor Network (RNTN) demonstrates a slight performance edge (F1 = 0.885) over the top-performing baseline, the linear bigram SVM (F1 = 0.881). Meanwhile, the Paragraph Vector model proves less effective (F1 = 0.368), even after extensive training using an expansive, unlabeled dataset. We engage in a comprehensive discourse on the factors influencing these performance disparities and provide insightful recommendations for future research directions.
• Abstract（参考訳）: 本研究では,分散文表現と高度な深層学習技術を用いて,バイオメディカル記事中の投機的言語の自動検出を探索する。 このような識別の意味は、情報検索、多文書要約、新しい知識の探索にまで及んでいる。 本研究は,パラグラフベクトルモデルと再帰型ニューラルテンソルネットワークという,分散文表現を得るための2つの異なるアプローチを含む。 これらの手法は、ベクトルマシンのサポート、ネイブベイズ、パターンマッチングの3つの基礎となるベースラインアルゴリズムと厳密に比較される。 以上の結果から,RNTN(Recursive Neural Tensor Network)は,最上位のベースラインである線形ビッグラムSVM(F1 = 0.881)に対して,わずかな性能エッジ(F1 = 0.885)を示すことがわかった。 一方、Paragraph Vectorモデルは、拡張性のある未ラベルのデータセットを使用して広範なトレーニングを行った後も、効果が低い(F1 = 0.368)。 我々は、これらのパフォーマンス格差に影響を与える要因について包括的談話を行い、今後の研究の方向性について、洞察に富んだレコメンデーションを提供する。

関連論文リスト

• Human Texts Are Outliers: Detecting LLM-generated Texts via Out-of-distribution Detection [71.59834293521074]
  我々は,人間によるテキストと機械によるテキストを区別する枠組みを開発した。 提案手法は,DeepFakeデータセット上で98.3%のAUROCとAUPRを8.9%のFPR95で達成する。 コード、事前トレーニングされたウェイト、デモがリリースされる。
  論文  参考訳（メタデータ） (2025-10-07T08:14:45Z)
• Deception Detection from Linguistic and Physiological Data Streams Using Bimodal Convolutional Neural Networks [19.639533220155965]
  本稿では,畳み込み型ニューラルネットワークのマルチモーダルな騙し検出への応用について検討する。 2つのトピックについて104人の被験者にインタビューして構築したデータセットを使用します。
  論文  参考訳（メタデータ） (2023-11-18T02:44:33Z)
• TractGeoNet: A geometric deep learning framework for pointwise analysis of tract microstructure to predict language assessment performance [66.43360974979386]
  拡散磁気共鳴画像(dMRI)による回帰処理を行うための幾何学的深層学習フレームワークであるTractGeoNetを提案する。 回帰性能を向上させるために,新しい損失関数 Paired-Siamese Regression Los を提案する。 本手法の有効性を,2つの言語神経心理学的評価に対して予測することで評価した。
  論文  参考訳（メタデータ） (2023-07-08T14:10:37Z)
• Artificial Text Detection via Examining the Topology of Attention Maps [58.46367297712477]
  トポロジカルデータ分析(TDA)に基づく3種類の解釈可能なトポロジカル特徴を提案する。 BERTモデルから派生した特徴が3つの共通データセットにおいて、カウントベースとニューラルベースベースラインを最大10%上回っていることを実証的に示す。 特徴の探索解析は表面に対する感度と構文的性質を明らかにしている。
  論文  参考訳（メタデータ） (2021-09-10T12:13:45Z)
• Learning Neural Causal Models with Active Interventions [83.44636110899742]
  本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。 本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。 シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2021-09-06T13:10:37Z)
• Be More with Less: Hypergraph Attention Networks for Inductive Text Classification [56.98218530073927]
  グラフニューラルネットワーク(GNN)は、研究コミュニティで注目され、この標準タスクで有望な結果を実証している。 成功にもかかわらず、それらのパフォーマンスは、単語間の高次相互作用をキャプチャできないため、実際は大部分が危険に晒される可能性がある。 本稿では,テキスト表現学習において,少ない計算量でより表現力の高いハイパーグラフアテンションネットワーク(HyperGAT)を提案する。
  論文  参考訳（メタデータ） (2020-11-01T00:21:59Z)
• Rectified Linear Postsynaptic Potential Function for Backpropagation in Deep Spiking Neural Networks [55.0627904986664]
  スパイキングニューラルネットワーク(SNN)は、時間的スパイクパターンを用いて情報を表現し、伝達する。 本稿では,情報符号化,シナプス可塑性,意思決定におけるスパイクタイミングダイナミクスの寄与について検討し,将来のDeepSNNやニューロモルフィックハードウェアシステムの設計への新たな視点を提供する。
  論文  参考訳（メタデータ） (2020-03-26T11:13:07Z)

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。