論文の概要: Drift-Aware Temporal Graph Rewiring (DATGR) for Adaptive Semantic Modeling in Biomedical Text

• arxiv url: http://arxiv.org/abs/2607.08490v1
• Date: Thu, 09 Jul 2026 13:49:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-10 14:45:27.552842
• Title: Drift-Aware Temporal Graph Rewiring (DATGR) for Adaptive Semantic Modeling in Biomedical Text
• Title（参考訳）: バイオメディカルテキストにおける適応意味モデリングのためのDATGR(Drift-Aware Temporal Graph Rewiring)
• Abstract要約: 本稿では,概念進化をモデル化するDrift-Aware Temporal Graph Rewiringフレームワークを提案する。 DATGRは、各タイムスライス毎に埋め込みを再トレーニングする代わりに、軽量でフィードバック駆動のリスイッチを実行する。 その結果、エッジレベルの適応は、進化する生物医学的テキストにおける時間的意味変化を効果的に捉えることが示されている。
• 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: Biomedical language evolves rapidly as new discoveries emerge, causing traditional text models to lose semantic fidelity over time. Static embeddings and co-occurrence graphs cannot capture such evolution, leading to performance degradation in retrieval and knowledge discovery tasks. This paper introduces a Drift-Aware Temporal Graph Rewiring (DATGR) framework that models concept evolution by dynamically updating co-occurrence edges based on estimated semantic drift. Instead of retraining embeddings for each time slice, DATGR performs lightweight, feedback-driven rewiring using a logistic update rule applied to edge weights. Evaluated on the Biomedical Multi-Relation Corpus (BIOMRC), the method achieved a mean Area Under the Receiver Operating Characteristic (AUROC) improvement of approximately 0.066 absolute difference (0.699 vs. 0.633) over a static baseline. Area Under the Precision-Recall Curve (AUPRC) remained comparable (0.738 vs. 0.744), showing that drift-aware adaptation enhances link-prediction recall without a loss in precision. These results demonstrate that edge-level adaptation effectively captures temporal semantic change in evolving biomedical text while remaining computationally efficient and interpretable.
• Abstract（参考訳）: バイオメディカル言語は新しい発見が出現するにつれて急速に進化し、伝統的なテキストモデルは時間とともに意味の忠実さを失う。 静的埋め込みと共起グラフはそのような進化を捉えることができず、検索や知識発見タスクのパフォーマンスが低下する。 本稿では,推定セマンティックドリフトに基づく共起エッジを動的に更新することにより,概念進化をモデル化するDATGRフレームワークを提案する。 DATGRは、各タイムスライス毎に埋め込みをリトレーニングする代わりに、エッジウェイトに適用されるロジスティック更新ルールを使用して、軽量でフィードバック駆動のリスイッチを実行する。 バイオメディカル・マルチリレーション・コーパス (BIOMRC) を用いて評価し, 静的ベースライン上での受信器動作特性 (AUROC) の約0.066の絶対差 (0.699 vs. 0.633) の改善を達成した。 Area Under the Precision-Recall Curve (AUPRC) は (0.738 vs. 0.744) 同等であり、ドリフト・アウェア・アダプティブは精度を損なうことなくリンク・プレディション・リコールを促進することを示した。 これらの結果は、エッジレベルの適応は、計算効率と解釈性を維持しながら、進化する生物医学的テキストの時間的意味変化を効果的に捉えていることを示している。

関連論文リスト

• TTSD-FAR: Test-Time Self-Distillation with Fisher-Anchored Restoration for Missing-Modality Emotion Recognition in LVLMs [83.78708832901194]
  大規模ビデオ言語モデル(LVLM)は、野生のマルチモーダル感情認識(ER)のようなマルチモーダルタスクにおいて顕著なパフォーマンスを示している。 しかし、現実のデプロイメントは依然として困難であり、テスト時にモダリティが欠落したりうる。 凍結した教師が自己蒸留により適応的な低学級の生徒を指導する手法を提案する。 MELD, DFEW, BAHを0%-50%のモダリティで実験した結果, この統一型適応復元設計はエントロピーベースの適応, RAG, およびパープレキシティベースの生成より一貫して優れていた。
  論文  参考訳（メタデータ） (2026-08-18T23:40:28Z)
• AnnotateMissense: a genome-wide annotation and benchmarking framework for missense pathogenicity prediction [0.0]
  AnnotateMissenseは、ミスセンス変異解釈のためのスケーラブルなアノテーション、ベンチマーク、ゲノムワイド予測フレームワークである。 dbNSFP v5.1由来のhg38ミスセンス変異体をANNOVARアノテーション、転写/タンパク質記述子、AlphaMissenseスコア、ESM由来の特徴、保存測定値、人口頻度変数、確立された病原性予測因子、工学化されたアミノ酸/コドン標識特徴と統合する。
  論文  参考訳（メタデータ） (2026-05-23T11:15:53Z)
• MoASE++: Mixture of Activation Sparsity Experts with Domain-Adaptive On-policy Distillation for Continual Test Time Adaptation [65.068801413044]
  連続的なテスト時間適応は、非定常な未ラベルのターゲットストリームにソース予測モデルを適用する。 ドメインに依存しない構造をドメイン固有のテクスチャから切り離す。
  論文  参考訳（メタデータ） (2026-05-18T01:52:12Z)
• Differentiable latent structure discovery for interpretable forecasting in clinical time series [38.473526928012724]
  連続時間多タスクガウス過程であるStructGPを導入し, 基本的不確かさを保ちながら, 相違構造学習と相違構造学習を組み合わせ, 相互依存の有向非巡回グラフ(DAG)を導出する。 LP-StructGPは,被験者特異的カップリングフィルタとソフトマックスゲーティング機構を用いて,患者間の進行パターンを捉えることで,StructGPを潜在経路に分割し,時間的に変化する軌跡を増大させる。
  論文  参考訳（メタデータ） (2026-04-30T14:59:50Z)
• Benchmarking IoT Time-Series AD with Event-Level Augmentations [34.864214444544565]
  実世界の問題をシミュレートする統合されたイベントレベル拡張による評価プロトコルを提案する。 5つの公開異常データセット上で14の代表的なモデルを評価する。
  論文  参考訳（メタデータ） (2026-02-17T09:45:44Z)
• Graph Unlearning Meets Influence-aware Negative Preference Optimization [45.33243345077153]
  本稿では,textbfInfluenceを意識した textbfNegative textbfPreference textbfOptimization framework である textbfINPO を紹介する。 我々はまず,NPOの発散速度が遅いことを解析し,非学習的な高影響エッジが非学習の影響を低減することを理論的に提案する。 5つの実世界のデータセットで実施された実験は、INPOベースのモデルがすべての品質指標に対して最先端のパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2025-10-22T11:18:00Z)
• Simulating Sinogram-Domain Motion and Correcting Image-Domain Artifacts Using Deep Learning in HR-pQCT Bone Imaging [0.0]
  HR-pQCT画像における動きアーティファクトをシミュレートするために,従来のシノグラムに基づく手法を最適化する。 本研究では,実世界(ターゲット)データセットと実世界(ターゲット)データセットの両方の動作成果物を扱うために,エッジ強化型自己注意型ワッサースタイン生成適応ネットワーク(ESWGAN-GP)を提案する。
  論文  参考訳（メタデータ） (2025-09-13T19:43:05Z)
• Drift-Resilient TabPFN: In-Context Learning Temporal Distribution Shifts on Tabular Data [39.40116554523575]
  In-Context Learning with a Prior-Data Fitted Network に基づく新しいアプローチである Drift-Resilient TabPFN を提案する。 先行した合成データセットのベイズ推定を近似することを学ぶ。 精度は0.688から0.744に向上し、OC AUCは0.786から0.832に向上し、キャリブレーションも強化された。
  論文  参考訳（メタデータ） (2024-11-15T23:49:23Z)
• Inception Convolution with Efficient Dilation Search [121.41030859447487]
  拡散畳み込みは、効果的な受容場を制御し、オブジェクトの大規模な分散を処理するための標準的な畳み込みニューラルネットワークの重要な変異体である。 そこで我々は,異なる軸,チャネル,層間の独立な拡散を有する拡張畳み込みの新たな変異体,すなわち開始(拡張)畳み込みを提案する。 本稿では,データに複雑なインセプション・コンボリューションを適合させる実用的な手法を探索し,統計的最適化に基づく簡易かつ効果的な拡張探索アルゴリズム(EDO)を開発した。
  論文  参考訳（メタデータ） (2020-12-25T14:58:35Z)
• Evaluating Prediction-Time Batch Normalization for Robustness under Covariate Shift [81.74795324629712]
  我々は予測時間バッチ正規化と呼び、共変量シフト時のモデル精度とキャリブレーションを大幅に改善する。 予測時間バッチ正規化は、既存の最先端アプローチに相補的な利点をもたらし、ロバスト性を向上させることを示します。 この手法は、事前トレーニングと併用して使用すると、さまざまな結果が得られるが、より自然なタイプのデータセットシフトでは、パフォーマンスが良くないようだ。
  論文  参考訳（メタデータ） (2020-06-19T05:08:43Z)

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。