HiPrompt: Few-Shot Biomedical Knowledge Fusion via Hierarchy-Oriented Prompting

要約

タイトル：HiPrompt：階層指向プロンプティングによる少数ショット医療知識融合

要約：

– 医療意思決定プロセスは、さまざまなソースから構築された知識グラフを統一されたインデックスシステムを介して融合する包括的なバイオメディカル知識ベースによって向上することができます。
– インデックスシステムは、バイオメディカル用語を階層的に整理し、微細な粒度で整列したエンティティを提供します。
– バイオメディカル知識融合（BKF）タスクにおける監視不足の課題を解決するために、研究者はいくつかの非監視手法を提案しています。
– しかしながら、これらの手法はしばしば、アドホックなレキシカルと構造的比較アルゴリズムに依存しており、バイオメディカルエンティティと用語が伝える豊富な意味を捉えることができません。
– 最近では、ニューラル埋め込みモデルが意味豊かなタスクに効果的であることが証明されていますが、適切にトレーニングするには十分なラベル付きデータに依存しています。
– 監視不足のBKFとニューラル埋め込みモデルのギャップを埋めるために、我々はHiPromptを提案します。
– HiPromptは、階層指向のプロンプトによって大きな言語モデルの少数ショット推論能力を引き出す監視効率的な知識融合フレームワークです。
– 収集されたKG-Hi-BKFベンチマークデータセット上の経験的結果は、HiPromptの有効性を示しています。

要約(オリジナル)

Medical decision-making processes can be enhanced by comprehensive biomedical knowledge bases, which require fusing knowledge graphs constructed from different sources via a uniform index system. The index system often organizes biomedical terms in a hierarchy to provide the aligned entities with fine-grained granularity. To address the challenge of scarce supervision in the biomedical knowledge fusion (BKF) task, researchers have proposed various unsupervised methods. However, these methods heavily rely on ad-hoc lexical and structural matching algorithms, which fail to capture the rich semantics conveyed by biomedical entities and terms. Recently, neural embedding models have proved effective in semantic-rich tasks, but they rely on sufficient labeled data to be adequately trained. To bridge the gap between the scarce-labeled BKF and neural embedding models, we propose HiPrompt, a supervision-efficient knowledge fusion framework that elicits the few-shot reasoning ability of large language models through hierarchy-oriented prompts. Empirical results on the collected KG-Hi-BKF benchmark datasets demonstrate the effectiveness of HiPrompt.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI