論文の概要: Hakken: Predicting future discoveries to fill the gaps in today's knowledge

• arxiv url: http://arxiv.org/abs/2609.04494v1
• Date: Thu, 03 Sep 2026 21:28:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-07 18:15:23.833628
• Title: Hakken: Predicting future discoveries to fill the gaps in today's knowledge
• Title（参考訳）: Hakken: 今日の知識のギャップを埋めるために将来の発見を予測する
• Abstract要約: 本稿では,知識予測を行うドメインに依存しない予測・説明システムであるHakkenを紹介する。 Hakkenは、膨大な研究論文から抽出された知識グラフの時間的シーケンスに基づいて構築されたトランスフォーマーベースの予測モデルを使用する。 生体医学領域に適用することで,ハッケンの実用能力を実証する。
• 参考スコア（独自算出の注目度）: 40.777614666509685
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present Hakken, a domain-agnostic prediction and explanation system performing knowledge prediction, i.e., growing scientific knowledge by establishing novel relationships, ones that are not limited to the deductive hull of previous knowledge. Hakken uses a transformer-based prediction model built on temporal sequences of knowledge graphs extracted from vast bodies of research publications, fused with an LLM's semantic knowledge, to predict the presence and define the type of as-yet undocumented relationships between scientific concepts. It then calls a model-agnostic explanation framework to provide accompanying information for each prediction that allows scientists to evaluate the suggested new relationship. While general purpose, we demonstrate Hakken's practical capabilities by applying it to the biomedical domain. There, Hakken's prediction model establishes a new benchmark for time-aware multi-label relation prediction, and we show that the model's output stays coherent and informative over extended time spans in historic data. In addition, we scored 1.5 million above-confidence-threshold hypotheses related to aging, qualitatively validated batches of these predictions with biologists and progressed three of them for empirical validation in wet-lab. Two predictions with potentially significant impact in the context of drug discovery and repurposing were confirmed, introducing previously undocumented interactions between TP53 and BAMBI, and between RAF1 and TNF, to biomedical science.
• Abstract（参考訳）: 本稿では,知識予測を行うドメイン非依存の予測・説明システムであるハッケンについて紹介する。 Hakkenは、LLMのセマンティック知識と融合した膨大な研究論文から抽出された知識グラフの時間的シーケンスに基づいて構築されたトランスフォーマーベースの予測モデルを使用して、科学概念間の存在を予測し、文書化されていない関係のタイプを定義する。 次に、モデルに依存しない説明フレームワークを呼び出し、各予測に付随する情報を提供し、科学者が提案された新しい関係を評価できるようにする。 本研究の目的は,ハッケンのバイオメディカル領域に応用することで,ハッケンの実用能力を実証することにある。 そこでは,Hakkenの予測モデルにより,時間を考慮した複数ラベル関係予測の新しいベンチマークが確立された。 さらに,これらの予測の年齢的,質的確に検証されたバッチに関する150万以上の自信閾値仮説を生物学者と収集し,これらのうち3つをウェットラブで実証検証した。 TP53とBAMBI、RAF1とTNFの相互作用をバイオメディカルサイエンスに導入し、薬物発見と再精製の文脈に有意な影響を及ぼす可能性のある2つの予測が確認された。

関連論文リスト

• Rewarding Explainability in Drug Repurposing with Knowledge Graphs [0.9176056742068814]
  本稿ではリンクグラフに基づく説明を生成するための新しいアプローチRExを提案する。 科学的な説明の望ましい性質を考慮に入れた報酬と政策の仕組みを取り入れている。 3つの一般的な知識グラフを用いて薬物再資源化のアプローチを評価する。
  論文  参考訳（メタデータ） (2025-09-02T12:55:35Z)
• KEPLA: A Knowledge-Enhanced Deep Learning Framework for Accurate Protein-Ligand Binding Affinity Prediction [60.23701115249195]
  KEPLAは、遺伝子オントロジーとリガンド特性の事前知識を統合し、予測性能を向上させる新しいディープラーニングフレームワークである。 2つのベンチマークデータセットの実験では、KEPLAは一貫して最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-06-16T08:02:42Z)
• Bayesian Kolmogorov Arnold Networks (Bayesian_KANs): A Probabilistic Approach to Enhance Accuracy and Interpretability [1.90365714903665]
  本研究では,Bayesian Kolmogorov Arnold Networks(BKANs)と呼ばれる新しいフレームワークを提案する。 BKANはコルモゴロフ・アーノルドネットワークの表現能力とベイズ推定を組み合わせたものである。 提案手法は,予測信頼度と決定境界に関する有用な知見を提供し,予測精度の観点から従来のディープラーニングモデルより優れている。
  論文  参考訳（メタデータ） (2024-08-05T10:38:34Z)
• Graph Stochastic Neural Process for Inductive Few-shot Knowledge Graph Completion [63.68647582680998]
  I-FKGC(inductive few-shot knowledge graph completion)と呼ばれる課題に焦点をあてる。 帰納的推論(inductive reasoning)の概念に着想を得て,I-FKGCを帰納的推論問題とした。 本稿では,仮説の連成分布をモデル化したニューラルプロセスに基づく仮説抽出器を提案する。 第2のモジュールでは、この仮説に基づいて、クエリセットのトリプルが抽出された仮説と一致するかどうかをテストするグラフアテンションベースの予測器を提案する。
  論文  参考訳（メタデータ） (2024-08-03T13:37:40Z)
• Selective Temporal Knowledge Graph Reasoning [70.11788354442218]
  時間的知識グラフ(TKG)は、与えられた歴史的事実に基づいて将来の事実を予測することを目的としている。 既存のTKG推論モデルは、不確実な予測を控えることができない。 本稿では,既存のモデルが無差別な予測ではなく選択的に行うのに役立つ,TKG推論の棄却機構を提案する。
  論文  参考訳（メタデータ） (2024-04-02T06:56:21Z)
• Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
  同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。 構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。 スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
  論文  参考訳（メタデータ） (2024-03-02T00:56:05Z)
• Otter-Knowledge: benchmarks of multimodal knowledge graph representation learning from different sources for drug discovery [5.913390277336069]
  マルチモーダルな知識グラフのセットをリリースし、7つの公開データソースからのデータを統合し、3000万以上のトリプルを含む。 我々の目的は、マルチモーダルな知識によってタンパク質/分子の埋め込みが予測タスクをどのように改善するかを研究するために、さらなる研究を促進することである。
  論文  参考訳（メタデータ） (2023-06-22T11:01:41Z)
• Temporal Positive-unlabeled Learning for Biomedical Hypothesis Generation via Risk Estimation [46.852387038668695]
  本稿では,仮説生成の科学的プロセスに機械学習を導入することを目的とする。 本稿では,ノード対埋め込みの学習において,前向きの確率を推定するための変分推論モデルを提案する。 実世界のバイオメディカルな用語関係データセットの実験結果と、COVID-19データセットのケーススタディ分析により、提案モデルの有効性が検証された。
  論文  参考訳（メタデータ） (2020-10-05T10:58:03Z)
• Rationalizing Medical Relation Prediction from Corpus-level Statistics [27.5727760575915]
  本稿では、人間の記憶の動作に関する既存の理論、例えばリコールと認識の理論に着想を得た、新しい解釈可能なフレームワークを提案する。 実世界の公的な臨床データセットで実験を行い、我々のフレームワークは、神経ベースラインモデルの包括的なリストに対して、競争力のある予測性能を達成するだけでなく、その予測を正当化する根拠も提示できることを示した。
  論文  参考訳（メタデータ） (2020-05-02T17:39:40Z)

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。