基于知识图谱上强化学习推理的可解释生物医学推荐
机器学习
2022-10-10 v2 人工智能
社会与信息网络
摘要
要使人工智能在生物学和医学中产生更大影响，推荐的准确性和透明性都至关重要。在其他领域中，知识图谱上的多跳推理这一神经符号方法已被证明能产生透明的解释。然而，缺乏将其应用于复杂生物医学数据集与问题的研究。本文探讨了该方法在药物发现中的应用，以对其适用性得出可靠结论。我们首次将其系统地应用于多个生物医学数据集和推荐任务，并进行了公平的基准比较。发现该方法平均优于最佳基线 21.7%，同时产生新颖的、生物学相关的解释。
引用
@article{arxiv.2111.10625,
title = {Explainable Biomedical Recommendations via Reinforcement Learning Reasoning on Knowledge Graphs},
author = {Gavin Edwards and Sebastian Nilsson and Benedek Rozemberczki and Eliseo Papa},
journal= {arXiv preprint arXiv:2111.10625},
year = {2022}
}