生物医学知识的神经符号表示的快速可扩展学习
人工智能
2018-05-01 v1 计算与语言
摘要
在这项工作中，我们解决了通用生物知识的神经符号表示的快速可扩展学习问题。基于最近发布的一个全面的生物医学知识图谱（Alshahrani, 2017），该图谱曾用于展示神经符号表示学习，我们展示了如何快速（1分钟内）训练实体的对数线性神经嵌入。我们利用这些表示作为机器学习分类器的输入，以实现生物链接预测等重要任务。分类器通过拼接学习到的实体嵌入来表示实体关系，并在拼接后的嵌入上训练分类器，以从自动生成的负例中辨别出真实关系。与先前发表的最先进结果相比，我们简单的嵌入方法大大提高了分类误差，在最困难的生物链接预测问题上，F-measure最大提高了+0.28，ROC AUC分数最大提高了+0.22。最后，我们的嵌入方法在训练速度上快了几个数量级（≤1分钟 vs. 数小时），在嵌入维度上经济得多（d=50 vs. d=512），并且自然地编码了非对称生物关系的方向性，这可以通过我们拼接嵌入的顺序来控制。
引用
@article{arxiv.1804.11105,
title = {Fast and scalable learning of neuro-symbolic representations of biomedical knowledge},
author = {Asan Agibetov and Matthias Samwald},
journal= {arXiv preprint arXiv:1804.11105},
year = {2018}
}
备注
Accepted to workshop on Deep Learning for Knowledge Graphs and Semantic Technologies (DL4KGS) at ESWC 2018, June 2018, Greece