UMLS-KGI-BERT: Data-Centric Knowledge Integration in Transformers for Biomedical Entity Recognition

要約

事前トレーニングされたトランスフォーマー言語モデル (LM) は、近年、応用 NLP において支配的なパラダイムとなっています。
これらのモデルは、情報抽出、質問応答、感情分析、文書分類などのタスクで最先端のパフォーマンスを達成しています。
生物医学領域では、言語の統計モデリングだけでなく領域固有の知識の統合を必要とする NLP タスクにこのパラダイムを適応させることで大きな進歩が見られました。
特に、この分野の研究は、医学文書内のトークン分布のパターンだけでなく、UMLS などの用語リソースに含まれる豊富な構造化情報も考慮した LM を構築する最適な方法の問題に焦点を当ててきました。
この研究は、UMLS からテキスト シーケンスを抽出することにより、生物医学用トランスフォーマー エンコーダー LM の言語表現を強化するためのデータ中心のパラダイムに貢献します。
これにより、グラフベースの学習目標をマスクされた言語の事前トレーニングと組み合わせることができます。
事前トレーニングされた LM の拡張実験およびゼロからのトレーニングの予備結果は、このフレームワークが複数の生物医学的および臨床的な固有表現認識 (NER) タスクにおける下流のパフォーマンスを向上させることを示しています。

要約(オリジナル)

Pre-trained transformer language models (LMs) have in recent years become the dominant paradigm in applied NLP. These models have achieved state-of-the-art performance on tasks such as information extraction, question answering, sentiment analysis, document classification and many others. In the biomedical domain, significant progress has been made in adapting this paradigm to NLP tasks that require the integration of domain-specific knowledge as well as statistical modelling of language. In particular, research in this area has focused on the question of how best to construct LMs that take into account not only the patterns of token distribution in medical text, but also the wealth of structured information contained in terminology resources such as the UMLS. This work contributes a data-centric paradigm for enriching the language representations of biomedical transformer-encoder LMs by extracting text sequences from the UMLS. This allows for graph-based learning objectives to be combined with masked-language pre-training. Preliminary results from experiments in the extension of pre-trained LMs as well as training from scratch show that this framework improves downstream performance on multiple biomedical and clinical Named Entity Recognition (NER) tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google