DeepVar：面向生物医学文献中基因组变异识别的端到端深度学习方法
计算与语言
2020-06-16 v1 机器学习
摘要
我们考虑生物医学科学文献上的命名实体识别(NER)问题，更具体地，本工作关注基因组变异识别。近年来，在通常有大型数据集可用的标准任务上，NER 已取得显著成功。然而，在许多特定领域，尤其是仅能获得少量黄金标注的领域，它仍是具有挑战性的问题。此外，基因组变异实体表现出多样的语言异质性，与现有标准 NER 任务中已刻画的实体差异很大。此类任务中最先进的机器学习方法严重依赖繁重的特征工程来刻画那些独特模式。本工作中，我们提出首个成功的端到端深度学习方法，通过基因组变异识别弥合通用 NER 算法与低资源应用之间的差距。我们提出的模型无需任何手工特征或后处理规则即可取得有前景的性能。我们广泛的实验与结果或可为其他类似的低资源 NER 应用提供启示。
引用
@article{arxiv.2006.08338,
title = {DeepVar: An End-to-End Deep Learning Approach for Genomic Variant Recognition in Biomedical Literature},
author = {Chaoran Cheng and Fei Tan and Zhi Wei},
journal= {arXiv preprint arXiv:2006.08338},
year = {2020}
}
备注
accepted by AAAI 2020