論文の概要: Few-Shot Biomedical Relation Extraction with Large Language Models: A Viable Alternative to Supervised Learning?
- arxiv url: http://arxiv.org/abs/2606.15412v1
- Date: Sat, 13 Jun 2026 17:37:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-16 16:21:33.553482
- Title: Few-Shot Biomedical Relation Extraction with Large Language Models: A Viable Alternative to Supervised Learning?
- Title（参考訳）: 大規模言語モデルを用いたバイオメディカルリレーション抽出 : 教師付き学習の代替となるか?
- Authors: Jakob Mraz, Tomaž Curk, Blaž Zupan,
- Abstract要約: 大規模言語モデル(LLM)を用いたプロンプトベース学習によるバイオレファレンスの検討
個別のエンティティペアの関係を予測するペアワイズ分類と,1つのモデルコールで複数の関係を抽出するジョイント生成という2つのタスクの定式化を比較した。
BioREDirectデータセットの実験は、明確な精度-リコールトレードオフを明らかにし、ペアワイズ分類は高いリコールを達成する一方、ジョイント生成はより正確で計算的に効率的である。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Biomedical relation extraction (BioRE) is a key step in transforming biomedical literature into structured knowledge. However, most existing approaches rely on supervised models trained on costly annotated datasets, limiting their scalability and adaptability across relation types and domains. We investigate few-shot BioRE using prompt-based learning with large language models (LLMs) and compare two task formulations: pairwise classification, which predicts relations for individual entity pairs, and joint generation, which extracts multiple relations in a single model call. Experiments on the BioREDirect dataset reveal a clear precision-recall trade-off. Pairwise classification achieves higher recall, whereas joint generation is more precise and computationally efficient. The best-performing model achieves a micro-F1 score of 0.44, substantially outperforming previous few-shot results (0.34) while remaining below the supervised baseline (0.56). Much of this gap is attributable to a single ambiguously defined relation type. When evaluated using macro-F1, which better captures performance across relation types in an imbalanced setting, prompt-based approaches outperform the supervised baseline (0.45 vs. 0.38), particularly on rare relation types. These findings highlight the potential of LLMs for BioRE in low-resource settings and underscore the importance of well-defined relation schemas.
- Abstract（参考訳）: バイオメディカル関係抽出(バイオメディカル関連抽出、BioRE)は、バイオメディカル文献を構造化知識に変換するための重要なステップである。
しかしながら、既存のアプローチのほとんどは、高価な注釈付きデータセットでトレーニングされた教師付きモデルに依存しており、関係タイプやドメイン間のスケーラビリティと適応性を制限する。
大規模言語モデル (LLM) を用いたプロンプトベース学習を用いて, 個別のエンティティペアの関係を予測するペアワイズ分類と, 一つのモデルコールで複数の関係を抽出するジョイント生成という2つのタスクの定式化を比較した。
BioREDirectデータセットの実験では、明確な精度-リコールトレードオフが明らかになった。
ペアワイズ分類は高いリコールを達成するが、ジョイント生成はより正確で計算的に効率的である。
最高性能モデルはマイクロF1スコア0.44を達成し、監督ベースライン(0.56)以下にとどまりながら、以前の数ショット結果(0.34)を大幅に上回っている。
このギャップの多くは、明確に定義された1つの関係型に起因する。
不均衡な環境で関係型間のパフォーマンスをよりよくキャプチャするマクロF1を用いて評価すると、プロンプトベースのアプローチは教師付きベースライン(0.45対0.38)、特に稀な関係型よりも優れている。
これらの知見は、低リソース環境におけるLLMs for BioREの可能性を強調し、明確に定義された関係スキーマの重要性を浮き彫りにしている。
関連論文リスト
- Rel-MOSS: Towards Imbalanced Relational Deep Learning on Relational Databases [66.24230877709756]
リレーショナルディープラーニング(RDL)は、リレーショナルデータベース(RDB)を異種エンティティグラフとして構成するために提案される。
既存のRDL手法は、RDBにおける関係データの不均衡問題を無視し、少数民族を過小評価するリスクを負う。
本研究では,RDBエンティティ分類におけるクラス不均衡問題を初めて検討し,関係中心型マイノリティー合成オーバーサンプリングGNNを設計する。
論文 参考訳（メタデータ） (2026-03-09T03:18:26Z) - A Benchmark for End-to-End Zero-Shot Biomedical Relation Extraction with LLMs: Experiments with OpenAI Models [8.888403936226185]
バイオメディカルリレーション抽出タスクの多種多様なサンプリングにおいて,OpenAI LLMの性能パターンについて検討した。
エンド・ツー・エンドのゼロショットバイオメディカルREタスクにおけるGPT-4, o1, GPT-OSSの性能について検討し, 比較を行った。
論文 参考訳（メタデータ） (2025-04-05T07:08:54Z) - 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) - BioREx: Improving Biomedical Relation Extraction by Leveraging
Heterogeneous Datasets [7.7587371896752595]
生物医学的関係抽出(RE)は、生物医学的自然言語処理(NLP)研究における中心的な課題である。
本稿では、個々のデータセットのデータの均一性を体系的に解決し、それらを大きなデータセットに組み合わせるための新しいフレームワークを提案する。
評価の結果,BioRExは個々のデータセットでトレーニングしたベンチマークシステムよりも大幅に高い性能を示すことがわかった。
論文 参考訳（メタデータ） (2023-06-19T22:48:18Z) - Drug Synergistic Combinations Predictions via Large-Scale Pre-Training
and Graph Structure Learning [82.93806087715507]
薬物併用療法は、より有効で安全性の低い疾患治療のための確立された戦略である。
ディープラーニングモデルは、シナジスティックな組み合わせを発見する効率的な方法として登場した。
我々のフレームワークは、他のディープラーニングベースの手法と比較して最先端の結果を達成する。
論文 参考訳（メタデータ） (2023-01-14T15:07:43Z) - HyperImpute: Generalized Iterative Imputation with Automatic Model
Selection [77.86861638371926]
カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。
既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
論文 参考訳（メタデータ） (2022-06-15T19:10:35Z) - SAIS: Supervising and Augmenting Intermediate Steps for Document-Level
Relation Extraction [51.27558374091491]
本稿では,関係抽出のための中間ステップ(SAIS)を監督し,拡張することにより,関連コンテキストやエンティティタイプをキャプチャするモデルを明示的に教えることを提案する。
そこで本提案手法は,より効果的な管理を行うため,より優れた品質の関係を抽出するだけでなく,それに対応する証拠をより正確に抽出する。
論文 参考訳（メタデータ） (2021-09-24T17:37:35Z) - Learning Relation Prototype from Unlabeled Texts for Long-tail Relation
Extraction [84.64435075778988]
本稿では,ラベルのないテキストから関係プロトタイプを学習するための一般的なアプローチを提案する。
我々は、エンティティ間の暗黙的な要因として関係プロトタイプを学習する。
私たちは、New York TimesとGoogle Distant Supervisionの2つの公開データセットで実験を行います。
論文 参考訳（メタデータ） (2020-11-27T06:21:12Z) - Learning Informative Representations of Biomedical Relations with Latent
Variable Models [2.4366811507669115]
本稿では,任意に柔軟な分布を持つ潜在変数モデルを提案する。
我々のモデルは、パラメータが少なく、トレーニングがかなり速く、両方のタスクの強いベースラインと競合する結果が得られることを実証する。
論文 参考訳（メタデータ） (2020-11-20T08:56:31Z) - High-throughput relation extraction algorithm development associating
knowledge articles and electronic health records [6.137500421118825]
本稿では,ハイスループット関係抽出アルゴリズム開発のためのフレームワークであるHi-RESを提案する。
知識記事と電子健康記録を組み合わせることで,分類精度が著しく向上することを示す。
論文 参考訳（メタデータ） (2020-09-08T03:48:30Z) - 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。