論文の概要: Aligning Biomedical Texts and Knowledge Graphs: A Systematic Comparison of Lightweight Alignment Strategies

• arxiv url: http://arxiv.org/abs/2608.23214v1
• Date: Mon, 24 Aug 2026 13:06:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:44.112634
• Title: Aligning Biomedical Texts and Knowledge Graphs: A Systematic Comparison of Lightweight Alignment Strategies
• Title（参考訳）: バイオメディカルテキストのアライティングと知識グラフ:軽量アライメント戦略の体系的比較
• Abstract要約: バイオメディカルテキストを構造化知識グラフ(KG)に整合させる設計選択について検討する。 比較トキシコゲノミクスデータベースから化学・遺伝子相互作用をリンクする22K以上の1対1の3重文書ペアのコーパスであるCTD-Alignを構築した。 テキストエンコーダとハード負のサンプリングは少ないが、3重合成とトレーニングの方向性が最も大きな影響を与えることがわかった。
• 参考スコア（独自算出の注目度）: 3.8983650021037253
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Biomedical knowledge exists in two complementary but distinct forms: unstructured scientific literature and structured knowledge graphs (KGs). Aligning them is essential for knowledge grounding, evidence retrieval, and KG completion, yet existing methods do not explicitly align free-text evidence with KG triples. We present a unified framework for systematically studying design choices for aligning biomedical text and KGs. With a text encoder and a KG embedding model both frozen, we learn only a lightweight projection between their spaces via a contrastive objective. This enables a fair comparison across six design dimensions: text encoder, KG embedding model, projection head, triple composition, training direction, and hard-negatives sampling. We construct CTD-Align, a corpus of over 22K one-to-one tripledocument pairs linking chemical-gene interactions from the Comparative Toxicogenomics Database to supporting PubMed passages. We evaluate alignment on it in two retrieval settings: document-to-triple and triple-to-document. We find that the triple composition and the training direction (i.e., shared retrieval space) have the greatest impact, whereas the text encoder and hard-negatives sampling matter little. Overall, simple choices win: projecting text into the KG space with a linear head over concatenated subject, predicate, and object embeddings performs best. These findings establish lightweight contrastive alignment as an effective, practical foundation for bridging biomedical text and KGs.
• Abstract（参考訳）: 生物医学的知識は、非構造化科学文献と構造化知識グラフ(KGs)の2つの相補的な形で存在する。 それらのアライメントは知識基盤、エビデンス検索、KG完全化に不可欠であるが、既存の手法はKG三重項と明示的にフリーテキストのエビデンスをアライメントしない。 バイオメディカルテキストとKGの整合化のための設計選択を体系的に研究するための統一的な枠組みを提案する。 テキストエンコーダとKG埋め込みモデルの両方を凍結することにより、コントラスト目的により空間間の軽量な投影のみを学習する。 これにより、テキストエンコーダ、KG埋め込みモデル、プロジェクションヘッド、トリプルコンポジション、トレーニング方向、ハードネガティブサンプリングの6つの設計次元を公平に比較することができる。 比較トキシコゲノミクスデータベースからPubMedパスをサポートするための化学・遺伝子相互作用をリンクする22K以上の1対1の3重文書ペアのコーパスであるCTD-Alignを構築した。 文書から3つの文書と3つの文書の2つの検索設定でアライメントを評価する。 3重合成と学習方向(共有検索空間)が最も影響が大きいのに対して、テキストエンコーダとハード負のサンプリングは少ない。 全体としては、テキストをKG空間に投影し、連結された主題、述語、オブジェクト埋め込みが最善である。 これらの知見は, バイオメディカルテキストとKGをブリッジする有効な基礎として, 軽量コントラストアライメントを確立した。

関連論文リスト

• Measuring Graph-to-Graph Semantic Similarity in Knowledge Graphs: An Empirical Evaluation of Knowledge Graph Embeddings [7.760140208674582]
  知識グラフ(KG)は、事実を構造化三重項として表現し、様々な領域にまたがる関係知識の組織化に広く用いられている。 既存の埋め込み手法は主にエンティティ、リレーション、トリプルに重点を置いており、グラフレベルのセマンティクスはほとんど役に立たない。 構造的類似性だけではKG間の意味的類似性を保証することができないため、構造的パターンに基づいてグラフを比較する従来のグラフレベル手法も不十分である。
  論文  参考訳（メタデータ） (2026-06-28T03:55:22Z)
• LECTOR: Joint Optimization of Scientific Reasoning Graphs and Introduction Generation [57.70907667652966]
  序文は特に難解であり、論理的な健全さと検証可能な忠実さを要求する。 ほとんどのAI支援手法は、推論や構造化ではなく、タスクをテキスト生成として扱うため、深刻な欠点が生じる。 我々は,科学者の論理を厳格に追従し,高品質な引用を加え,構造化された表現を維持できる新しい論理表現協調強化学習フレームワークであるLECTORを提案する。
  論文  参考訳（メタデータ） (2026-05-25T15:41:16Z)
• From Panel to Pixel: Zoom-In Vision-Language Pretraining from Biomedical Scientific Literature [86.7745150269054]
  パネル2パッチ(Panel2Patch)は、既存のバイオメディカル科学文献から階層構造をマイニングする新しいデータパイプラインである。 科学的数字とキャプションが与えられた場合、Panel2Patchはレイアウト、パネル、ビジュアルマーカーを解析し、フィギュア、パネル、パッチレベルにおいて階層的に協調した視覚言語ペアを構築する。 我々は,不均一な目的を粗いドクティックな記述から細かな領域に焦点を絞ったフレーズに統一する,粒度を考慮した事前学習戦略を開発した。
  論文  参考訳（メタデータ） (2025-12-02T09:37:51Z)
• BALI: Enhancing Biomedical Language Representations through Knowledge Graph and Language Model Alignment [12.413588969346627]
  BALI(Biomedical Knowledge Graph and Language Model Alignment)は、新しい共同学習手法である。 これは、専用のKGエンコーダの同時学習と、LMとグラフの両方の表現の整合によって、外部知識でLMを増強する。 実験の結果,PubMedBERT や BioLinkBERT などの先進的なバイオメディカル LM に本手法を適用することにより,言語理解タスクにおける性能が向上することが示唆された。
  論文  参考訳（メタデータ） (2025-09-09T10:59:47Z)
• KGMEL: Knowledge Graph-Enhanced Multimodal Entity Linking [26.524285614676188]
  KGMELは、知識グラフトリプルを利用してエンティティリンクを強化する新しいフレームワークである。 運用は3段階あり、生成、検索、ランク付けの3段階である。 ベンチマークデータセットの実験では、KGMELが既存のメソッドより優れていることが示されている。
  論文  参考訳（メタデータ） (2025-04-21T14:38:44Z)
• Diversifying Knowledge Enhancement of Biomedical Language Models using Adapter Modules and Knowledge Graphs [54.223394825528665]
  我々は、軽量なアダプターモジュールを用いて、構造化された生体医学的知識を事前訓練された言語モデルに注入するアプローチを開発した。 バイオメディカル知識システムUMLSと新しいバイオケミカルOntoChemの2つの大きなKGと、PubMedBERTとBioLinkBERTの2つの著名なバイオメディカルPLMを使用している。 計算能力の要件を低く保ちながら,本手法がいくつかの事例において性能改善につながることを示す。
  論文  参考訳（メタデータ） (2023-12-21T14:26:57Z)
• VEM$^2$L: A Plug-and-play Framework for Fusing Text and Structure Knowledge on Sparse Knowledge Graph Completion [14.537509860565706]
  本稿では,テキストから抽出した知識と構造化メッセージから抽出した知識を統一化するための,スパース知識グラフ上のプラグイン・アンド・プレイ・フレームワーク VEM2L を提案する。 具体的には、モデルによって得られた知識を2つの非重複部分に分割する。 また、モデルの一般化能力を融合させるために、変分EMアルゴリズムによって証明された新しい融合戦略を提案する。
  論文  参考訳（メタデータ） (2022-07-04T15:50:21Z)
• 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)
• Few-shot Knowledge Graph-to-Text Generation with Pretrained Language Models [42.38563175680914]
  本稿では,知識グラフ(KG)の事実を記述した自然言語テキストの自動生成方法について検討する。 数ショットの設定を考えると、言語理解と生成において事前学習された言語モデル(PLM)の優れた能力を利用する。
  論文  参考訳（メタデータ） (2021-06-03T06:48:00Z)
• Minimally-Supervised Structure-Rich Text Categorization via Learning on Text-Rich Networks [61.23408995934415]
  テキストリッチネットワークから学習することで,最小限に教師付き分類を行う新しいフレームワークを提案する。 具体的には、テキスト理解のためのテキスト解析モジュールと、クラス差別的でスケーラブルなネットワーク学習のためのネットワーク学習モジュールの2つのモジュールを共同でトレーニングします。 実験の結果,1つのカテゴリに3つのシード文書しか与えられず,その精度は約92%であった。
  論文  参考訳（メタデータ） (2021-02-23T04:14:34Z)
• Structure-Augmented Text Representation Learning for Efficient Knowledge Graph Completion [53.31911669146451]
  人為的な知識グラフは、様々な自然言語処理タスクに重要な支援情報を提供する。 これらのグラフは通常不完全であり、自動補完を促す。 グラフ埋め込みアプローチ(例えばTransE)は、グラフ要素を密度の高い埋め込みに表現することで構造化された知識を学ぶ。 テキストエンコーディングアプローチ(KG-BERTなど)は、グラフトリプルのテキストとトリプルレベルの文脈化表現を利用する。
  論文  参考訳（メタデータ） (2020-04-30T13:50:34Z)

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。