基于风险估计的时间正未标记学习用于生物医学假设生成
机器学习
2024-03-14 v1 人工智能
机器学习
摘要
理解病毒、药物与症状等生物医学术语之间的关系，在对抗疾病中至关重要。已有诸多尝试将机器学习引入假设生成（HG）的科学过程，即发现生物医学术语间有意义的隐式关联。然而，多数现有方法未能真正捕捉科学术语关系的时间动态，并假定未观测到的关联无关（即正-负（PN）学习设定）。为突破这些局限，我们将该 HG 问题表述为基于正未标记（PU）学习的动态属性图上的未来连接预测任务。随后关键在于仅从正样本与未标记数据中捕捉节点对（术语对）关系的时间演化。我们提出一种变分推断模型来估计正先验，并将其纳入节点对嵌入的学习中，进而用于链接预测。在真实世界生物医学术语关系数据集上的实验结果以及对 COVID-19 数据集的案例分析，验证了所提模型的有效性。
引用
@article{arxiv.2010.01916,
title = {Temporal Positive-unlabeled Learning for Biomedical Hypothesis Generation via Risk Estimation},
author = {Uchenna Akujuobi and Jun Chen and Mohamed Elhoseiny and Michael Spranger and Xiangliang Zhang},
journal= {arXiv preprint arXiv:2010.01916},
year = {2024}
}
备注
Accepted for Neurips 2020