論文の概要: Bag of concepts can enhance other text representations for medical systematic review screening
- arxiv url: http://arxiv.org/abs/2611.15798v1
- Date: Wed, 11 Nov 2026 18:11:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.247644
- Title: Bag of concepts can enhance other text representations for medical systematic review screening
- Title(参考訳): 概念のバグは、医学的体系的レビュースクリーニングのための他のテキスト表現を強化する
- Abstract要約: 本稿では,能動学習に基づく半自動体系的文献レビューシステムにおけるテキスト表現の選択について検討する。
実験は医療ケーススタディで実施された。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The paper examines the choice of text representation for semi-automated systematic literature review (SLR) systems based on active learning. Motivated by the insufficient attention that the bag of concepts representation has received so far, the paper discusses the implementation and experimental evaluation of several variations thereof. The experimental study was performed on medical SLR case studies, with results reported for random forest classification, cluster initialization and uncertainty sampling. The utility of bag of concepts features obtained using different ontologies is evaluated by applying them within the active learning framework to sequentially create classification models based on training data iteratively expanded with expert annotations. Systematic experiments compare BoW, BoC, PubMedBERT, Jina, Gemma and Qwen3 representations, together with combinations of BoC and each of the other representations. The evaluation uses workload savings and performance profiles adapted from optimization benchmarking. The results suggest that concept-based features can provide complementary information, with the BoC-augmented representations achieving higher mean workload savings on the DERP cases than their corresponding base representations. The Qwen3+BoC representation gives the best average performance in this comparison. The effects of augmentation vary across case studies and base representations. The paper also concentrates on the impact of ontology choice on document classification outcomes. In particular, the paper compares the predictive value of bag of concepts representations based on chosen ontologies with that of representations obtained using MedCAT with a UMLS-based dictionary.
- Abstract(参考訳): 本稿では,能動学習に基づく半自動体系的文献レビュー(SLR)システムにおけるテキスト表現の選択について検討する。
概念表現の袋がこれまで受け継がれてきたことへの注意が不足していることから,本論文では,いくつかのバリエーションの実装と実験的評価について論じる。
実験は医学SLRケーススタディで行われ、ランダム森林分類、クラスター初期化、不確実性サンプリングの結果が報告された。
専門家のアノテーションで反復的に拡張されたトレーニングデータに基づく分類モデルを逐次作成するために,異なるオントロジーを用いて得られた概念の袋の有用性を,アクティブラーニングフレームワークに応用することで評価する。
BoW, BoC, PubMedBERT, Jina, Gemma, Qwen3の各表現と、BoCと他の表現の組み合わせを比較した。
評価には、最適化ベンチマークに適合したワークロードの削減とパフォーマンスプロファイルが使用されている。
以上の結果から,BoC拡張表現を基本表現よりも高い平均負荷削減を実現することにより,概念ベースの特徴が相補的な情報を提供する可能性が示唆された。
Qwen3+BoC表現は、この比較で最高の平均性能を与える。
拡張の効果はケーススタディやベース表現によって異なる。
また、オントロジー選択が文書分類結果に与える影響にも焦点をあてる。
特に、選択したオントロジーに基づく概念表現の袋の予測値と、MedCATを用いてUMLSベースの辞書を用いて得られた表現の予測値を比較した。
関連論文リスト
- Zero-Shot Visualization: Exploring Text Corpora with User-Prompted Axes [0.0]
テキストコーパスの視覚的探索における大規模言語モデルの応用について検討する。
ゼロショット可視化(ZSV)は、ユーザが自然言語で概念を指定し、文書を対応する概念軸にマッピングして視覚化するタスクである。
論文 参考訳(メタデータ) (2026-09-23T16:56:37Z) - Enhancing Scientific Literature Chatbots with Retrieval-Augmented Generation: A Performance Evaluation of Vector and Graph-Based Systems [1.0832844764942349]
本稿では,検索増強世代(RAG)による科学文献の高度化について検討する。
提案したチャットボットは、構造化された(グラフ)と非構造化された(ベクトル)データベースの両方を利用して、科学論文や灰色の文学にアクセスする。
ベンチマークテストセットは、GPTモデルを用いて生成され、評価のために選択された出力がアノテートされた。
論文 参考訳(メタデータ) (2026-02-19T21:42:02Z) - Enhancing Study-Level Inference from Clinical Trial Papers via Reinforcement Learning-Based Numeric Reasoning [12.050619995670038]
我々はその問題を量的推論の1つとして概念化している。
本研究では,数値データ抽出モデルと効果推定成分からなる数値推論システムを開発する。
論文 参考訳(メタデータ) (2025-05-28T22:59:45Z) - Preview-based Category Contrastive Learning for Knowledge Distillation [53.551002781828146]
知識蒸留(PCKD)のための新しい予見型カテゴリーコントラスト学習法を提案する。
まず、インスタンスレベルの特徴対応と、インスタンスの特徴とカテゴリ中心の関係の両方の構造的知識を蒸留する。
カテゴリ表現を明示的に最適化し、インスタンスとカテゴリの表現を明確に関連付けることができる。
論文 参考訳(メタデータ) (2024-10-18T03:31:00Z) - A Visual Interpretation-Based Self-Improved Classification System Using
Virtual Adversarial Training [4.722922834127293]
本稿では,仮想対人訓練(VAT)とBERTモデルを組み合わせた視覚的解釈に基づく自己改善型分類モデルを提案する。
具体的には、テキストの感情を分類するための分類器として、微調整のBERTモデルを用いる。
予測された感情分類ラベルは、半教師付き訓練方法によるスパム分類のための別のBERTの入力の一部として使用される。
論文 参考訳(メタデータ) (2023-09-03T15:07:24Z) - Revisiting the Evaluation of Image Synthesis with GANs [55.72247435112475]
本研究では, 合成性能の評価に関する実証的研究を行い, 生成モデルの代表としてGAN(Generative Adversarial Network)を用いた。
特に、表現空間におけるデータポイントの表現方法、選択したサンプルを用いた公平距離の計算方法、各集合から使用可能なインスタンス数など、さまざまな要素の詳細な分析を行う。
論文 参考訳(メタデータ) (2023-04-04T17:54:32Z) - Lesion-Aware Contrastive Representation Learning for Histopathology
Whole Slide Images Analysis [16.264758789726223]
本稿では,スライド画像解析の病理組織学的手法として,Lesion-Aware Contrastive Learning (LACL) という新しいコントラスト表現学習フレームワークを提案する。
実験の結果,LACLは異なるデータセット上での組織像表現学習において,最高の性能を発揮することが示された。
論文 参考訳(メタデータ) (2022-06-27T08:39:51Z) - An Empirical Investigation of Commonsense Self-Supervision with
Knowledge Graphs [67.23285413610243]
大規模知識グラフから抽出した情報に基づく自己監督は、言語モデルの一般化を改善することが示されている。
本研究では,言語モデルに適用可能な合成データを生成するための知識サンプリング戦略とサイズの影響について検討する。
論文 参考訳(メタデータ) (2022-05-21T19:49:04Z) - Evaluation of Self-taught Learning-based Representations for Facial
Emotion Recognition [62.30451764345482]
この研究は、顔の感情認識のための自己学習の概念を通じて得られた教師なし表現を生成するための様々な戦略を記述する。
このアイデアは、オートエンコーダの初期化、アーキテクチャ、トレーニングデータを変化させることで、多様性を促進する補完的な表現を作ることである。
Jaffe と Cohn-Kanade のデータセットに対する残余のサブジェクトアウトプロトコルによる実験結果から,提案した多種多様な表現に基づく FER 手法が最先端のアプローチと好適に比較できることが示唆された。
論文 参考訳(メタデータ) (2022-04-26T22:48:15Z) - Discriminative Attribution from Counterfactuals [64.94009515033984]
本稿では,特徴属性と反実的説明を組み合わせたニューラルネットワークの解釈可能性について述べる。
本手法は,特徴属性法の性能を客観的に評価するために有効であることを示す。
論文 参考訳(メタデータ) (2021-09-28T00:53:34Z) - CDEvalSumm: An Empirical Study of Cross-Dataset Evaluation for Neural
Summarization Systems [121.78477833009671]
データセット間設定下での様々な要約モデルの性能について検討する。
異なるドメインの5つのデータセットに対する11の代表的な要約システムに関する包括的な研究は、モデルアーキテクチャと生成方法の影響を明らかにしている。
論文 参考訳(メタデータ) (2020-10-11T02:19:15Z)
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。