論文の概要: OntologyBench: Can Dense Retrieval Satisfy Structured Biomedical Constraints?
- arxiv url: http://arxiv.org/abs/2609.08174v1
- Date: Tue, 08 Sep 2026 03:04:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:08.562107
- Title: OntologyBench: Can Dense Retrieval Satisfy Structured Biomedical Constraints?
- Title（参考訳）: オントロジーベンチ : 保存サチフイ構造を持つバイオメディカル制約は可能か?
- Abstract要約: OntologyBenchは、471,854のトレーニングと125,744のクエリドキュメンテーション関連ペアからなる、結合型バイオメディカル検索ベンチマークである。
オントロジーに基づく監督の微調整は、いくつかの関係性および構成的タスクのパフォーマンスを向上させる。
エラーはしばしば、表現型証拠のサブセットのみに対応する病気を反映する。
- 参考スコア（独自算出の注目度）: 4.362332162521777
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce OntologyBench, a tiered biomedical retrieval benchmark comprising 471,854 training and 125,744 evaluation query-document relevance pairs across concept grounding, relational retrieval, and compositional phenotype-based retrieval. Although these tasks can be tractable using ontology-aware reference methods, across task tiers, embedding performance is generally lower on relational and compositional tasks than on concept-grounding tasks. Fine-tuning on ontology-derived supervision improves performance on several relational and compositional tasks, whereas the evaluated reranking and LLM-based candidate-scoring methods provide little or no end-to-end improvement. Errors frequently reflect diseases matching only subsets of the phenotype evidence. These findings indicate that the evaluated embedding and reranking configurations do not reliably recover the compatibility encoded by the selected ontology relations and phenotype combinations and motivate retrieval systems that better integrate learned representations with structured biomedical knowledge.
- Abstract（参考訳）: OntologyBenchは、471,854のトレーニングと125,744のクエリドキュメント関連ペアを概念的グラウンド,リレーショナル検索,および合成表現型検索に応用した,結合型バイオメディカル検索ベンチマークである。
これらのタスクはオントロジーを意識した参照手法で抽出できるが、タスク層をまたいだ埋め込み性能は一般的に、概念的接地タスクよりもリレーショナルタスクや構成タスクの方が低い。
オントロジーに基づく監視の微調整は、いくつかのリレーショナルタスクとコンポジションタスクのパフォーマンスを向上させる一方、評価されたリグレードとLLMベースの候補スコア法は、エンドツーエンドの改善をほとんど、あるいは全く行わない。
エラーはしばしば、表現型証拠のサブセットのみに対応する病気を反映する。
これらの結果から, 評価された組込みおよび再配置構成は, 選択したオントロジー関係と表現型の組み合わせによって符号化された互換性を確実に回復することができず, 学習された表現を構造化された生体医学的知識とよりうまく統合する検索システムを動機付けることが示唆された。
関連論文リスト
- OntologyAligner: Ontology-Aligned Retrieval and Hierarchy-Guided Large Language Model Reranking for Biomedical Ontology Normalization [16.8969067142186]
OntologyAlignerは、オントロジーに整合した検索、大規模言語モデル候補の再評価、選択階層誘導改良を組み合わせた3段階のフレームワークである。
OntologyAlignerはHPOの正規化における最先端のパフォーマンスを88.78%のマクロトップ1と86のマイクロトップ1の精度で達成し、それぞれ4.85ポイントと5.07ポイントという最強のベースラインを超えた。
論文 参考訳（メタデータ） (2026-09-09T11:30:25Z) - Dementia Etiology Diagnosis via Collaborative Meta Knowledge Enhancement [81.27196033392559]
認知症発症診断のための協調的メタ知識向上(COME)フレームワークを提案する。
COMEは、マルチセンタ取得セマンティクス、ソース識別子、モダリティインジケータを異種性を認識した埋め込みとして、スケールアップトレーニングのためにTransformerアーキテクチャに注入する。
本手法は,平均マクロ平均AUCが85.62%,最強ベースラインが4.29ポイント向上し,最先端のドメイン性能を実現する。
論文 参考訳（メタデータ） (2026-07-24T04:26:47Z) - Mitigating Shortcut Learning via Feature Disentanglement in Medical Imaging: A Benchmark Study [6.364545942101905]
機能障害はショートカット学習を緩和するための有望なアプローチである。
ショートカット緩和法は, 強い相関関係下での分類性能を向上した。
最高のパフォーマンスモデルは、データ中心のリバランシングとモデル中心のアンタングルメントを組み合わせる。
論文 参考訳（メタデータ） (2026-02-17T10:51:58Z) - AI Co-Scientist for Knowledge Synthesis in Medical Contexts: A Proof of Concept [0.0]
本稿では,人口,インターベンション,コンパレータ,アウトカム,学習デザイン(PICOS)の明示的な形式化に基づく,スケーラブルで透明な知識合成のためのAIを提案する。
このプラットフォームはリレーショナルストレージ、ベクトルベースのセマンティック検索、Neo4jナレッジグラフを統合している。
その結果,PICOS対応で説明可能な自然言語処理は,エビデンス合成のスケーラビリティ,透明性,効率性を向上できることがわかった。
論文 参考訳（メタデータ） (2026-01-16T23:07:58Z) - Ontology-Based Concept Distillation for Radiology Report Retrieval and Labeling [10.504309161945065]
既存のほとんどの手法は、CLIPやCXR-BERTのようなモデルからの高次元テキスト埋め込みを比較することに依存している。
統一医療言語システム(Unified Medical Language System)における臨床基礎概念に基づく放射線学報告テキストの比較のための,新しいオントロジーによる代替案を提案する。
本稿では,RadGraph-XLとSapBERTをベースとした拡張パイプラインを用いて,フリーテキストレポートから標準化された医療機関を抽出する。
論文 参考訳（メタデータ） (2025-08-27T14:20:50Z) - GenOM: Ontology Matching with Description Generation and Large Language Model [19.917106654694894]
本稿では,大規模言語モデル(LLM)に基づくオントロジーアライメントフレームワークであるGenOMを紹介する。
OAEI Bio-MLトラックで行った実験は、GenOMがしばしば競争力を発揮することを示した。
論文 参考訳（メタデータ） (2025-08-14T14:48:09Z) - Pitfalls of topology-aware image segmentation [81.19923502845441]
我々は、不適切な接続選択、見過ごされたトポロジカルアーティファクト、評価指標の不適切な使用を含むモデル評価における致命的な落とし穴を同定する。
本稿では,トポロジを意識した医用画像分割手法の公正かつ堅牢な評価基準を確立するための,行動可能なレコメンデーションセットを提案する。
論文 参考訳（メタデータ） (2024-12-19T08:11:42Z) - Causal Representation Learning from Multimodal Biomedical Observations [57.00712157758845]
バイオメディカルデータセットの理解を容易にするために,マルチモーダルデータに対するフレキシブルな識別条件と原理的手法を開発した。
主要な理論的貢献は、モジュラリティ間の因果関係の構造的空間性である。
実世界のヒト表現型データセットの結果は、確立された生物医学研究と一致している。
論文 参考訳（メタデータ） (2024-11-10T16:40:27Z) - Rethinking Complex Queries on Knowledge Graphs with Neural Link Predictors [58.340159346749964]
本稿では,証明可能な推論能力を備えた複雑なクエリを用いたエンドツーエンド学習を支援するニューラルシンボリック手法を提案する。
これまでに検討されていない10種類の新しいクエリを含む新しいデータセットを開発する。
提案手法は,新しいデータセットにおいて先行手法を著しく上回り,既存データセットにおける先行手法を同時に上回っている。
論文 参考訳（メタデータ） (2023-04-14T11:35:35Z) - HiPrompt: Few-Shot Biomedical Knowledge Fusion via Hierarchy-Oriented
Prompting [33.1455954220194]
HiPromptは、監督効率の良い知識融合フレームワークである。
階層指向のプロンプトを通じて、大規模言語モデルの数発の推論能力を引き出す。
収集したKG-Hi-BKFベンチマークデータセットの実験的結果は、HiPromptの有効性を示している。
論文 参考訳（メタデータ） (2023-04-12T16:54:26Z) - Semantic Search for Large Scale Clinical Ontologies [63.71950996116403]
本稿では,大規模臨床語彙検索システムを構築するための深層学習手法を提案する。
本稿では,意味学習データに基づくトレーニングデータを生成するTriplet-BERTモデルを提案する。
このモデルは,5つの実ベンチマークデータセットを用いて評価され,提案手法は自由テキストから概念,概念まで,概念語彙の検索において高い結果が得られることを示す。
論文 参考訳（メタデータ） (2022-01-01T05:15:42Z) - A Diagnostic Study of Explainability Techniques for Text Classification [52.879658637466605]
既存の説明可能性技術を評価するための診断特性のリストを作成する。
そこで本研究では, モデルの性能と有理性との整合性の関係を明らかにするために, 説明可能性手法によって割り当てられた有理性スコアと有理性入力領域の人間のアノテーションを比較した。
論文 参考訳（メタデータ） (2020-09-25T12:01:53Z)
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。