Robustezza del GSSL al rumore reale nei grafi biomedici
Un nuovo studio valuta i metodi di Graph Self-Supervised Learning (GSSL) su grafi di conoscenza biomedici guidati da testo, colmando una lacuna nella ricerca sulla robustezza che in precedenza si concentrava su perturbazioni sintetiche. Gli autori introducono NATD-GSSL, un framework che combina costruzione automatica del grafo, raffinamento e GSSL. Utilizzando un protocollo a doppio grafo, confrontano un grafo rumoroso da MedMentions con un grafo di riferimento pulito UMLS per la classificazione non supervisionata dei termini. Il lavoro evidenzia le sfide poste dal rumore reale nei grafi estratti automaticamente.
Fatti principali
- Prima valutazione completa dei metodi GSSL su grafi guidati da testo per la classificazione non supervisionata dei termini.
- Introduce il framework NATD-GSSL.
- Utilizza un protocollo a doppio grafo che contrappone il grafo rumoroso di MedMentions al grafo di riferimento pulito UMLS.
- Affronta il rumore reale, non perturbazioni sintetiche.
- Si concentra sul dominio biomedico.
- Pubblicato su arXiv con ID 2605.05463.
- Sfrutta il NLP per l'estrazione automatica di grafi di conoscenza.
- Viene utilizzato il paradigma Graph Self-Supervised Learning.
Entità
Istituzioni
- arXiv
- MedMentions
- Unified Medical Language System (UMLS)