Neurosymbolic AI for Reasoning on Biomedical Knowledge Graphs

要約

生物医学データセットは、生物医学システムのマルチリレーショナル、異種混合、動的な性質を捉えているため、ナレッジ グラフ (KG) としてモデル化されることがよくあります。
したがって、KG 完了 (KGC) は、研究者が薬物の再配置などのタスクを予測するのに役立ちます。
KGC の以前のアプローチはルールベースまたは埋め込みベースのいずれかでしたが、神経記号人工知能に基づくハイブリッド アプローチがより一般的になってきています。
これらの方法の多くは、生物医学的課題にさらに適した独自の特性を備えています。
ここでは、生物医学におけるその有用性と予想される利点に重点を置きながら、そのようなアプローチを調査します。

要約(オリジナル)

Biomedical datasets are often modeled as knowledge graphs (KGs) because they capture the multi-relational, heterogeneous, and dynamic natures of biomedical systems. KG completion (KGC), can, therefore, help researchers make predictions to inform tasks like drug repositioning. While previous approaches for KGC were either rule-based or embedding-based, hybrid approaches based on neurosymbolic artificial intelligence are becoming more popular. Many of these methods possess unique characteristics which make them even better suited toward biomedical challenges. Here, we survey such approaches with an emphasis on their utilities and prospective benefits for biomedicine.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google