Author Archives: hzaubionlp

新年快乐！

《CIViCmine》论文评述 文章：《Text-mining clinically relevant cancer biomarkers for curation into the CIViC database》https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6891984/  作者：Jake Lever, Martin R. Jones, Arpad M. Danos, Kilannin Krysiak, Melika Bonakdar, Jasleen K. Grewal, Luka Culibrk, Obi L. Griffith, Malachi Griffith, and Steven J. M. Jones 引用方式：Lever J, Jones MR, Danos AM, Krysiak K, Bonakdar M, Grewal JK, Culibrk L, Griffith OL, Griffith M, Jones SJM. Text-mining clinically relevant cancer biomarkers for curation into theContinueContinue reading “《CIViCmine癌症标志物文本证据自动化挖掘》——GenMed2019论文评述”

——愿来年，方寸间仍有万水千山。 前几日腾讯组会，尚在总结《噢，这不平凡的十二月》；不觉眨眼间2022年一霎那间就过去了。 新年的新愿景，历历在目； 青龙山的苍翠，尚在心中。 “登山志高远，冰上可飞仙。讨论能醉氧，行走方寸间。” 愿来年，方寸间仍有万水千山。

绝佳黑板推演场所，隐蔽，醉氧。。。就是灰尘比较大。

基于AGAC语料库的丰富标注数据、针对基因-疾病的关联语义挖掘，围绕NLP算法在生物医药领域的应用，我们于今年暑期组织了GDAS Track，CHIP评测一：“GDAS Track/面向“基因-疾病”的关联语义挖掘任务”。 代表课题组，思卓师姐将于本周日下午参加第八届中国健康信息处理大会的评测论坛，并主持评测一。 本周日（11月27日），成绩最优的前三强队伍被邀请参加评测论坛。演讲题目为： 3:30-4:00 pm评测一:面向“基因-疾病”的关联语义挖掘任务3:30-3:40 pm《基因和疾病的关联机理挖掘:语义网络中的隐式关系推理方法》讲者: 姜逸文队伍：WinHealth-卫宁健康科技股份有限公司3:40-3:50 pm《基于数据增强的小样本疾病基因信息抽取研究》讲者: 苏鑫队伍：Forward-北京交通大学3:30-3:40 pm《面向小样本的医疗领域命名实体识别方法》讲者:任翔渝队伍：深藏blue队-北京理工大学 评测时间：3:30-4:00 pm. 大会直播入口：https://www.withzz.com/live/895402883 GDAS Track, CHIP 2022 评测任务网址: http://lit-evi.hzau.edu.cn/AGAC-CHIP2022/

👍 《2022秋日常算法Seminar：Learning graph from smooth signals-2016, 2019算法讨论》讨论资料主要对光滑信号学习目标下的图学习模型《How to Learn a Graph from Smooth Signals》和《Large Scale Graph Learning from Smooth Signals》进行模型讲解和算法复盘，参与讨论和资料整理的同学主要包括姚昕智，彭钱钱，贺芷涵，唐子铭。资料21页，主要是黑板推导和当日总结。 (资料下载，请走新手区/秘道。。。)

讨论资料主要对Bayesian框架下的GCN图模型《Bayesian graph convolutional neural networks for semi-supervised classification》进行模型讲解和算法复盘，彭钱钱同学领读并持粉笔推演，参与讨论和资料整理的同学包括姚昕智，欧阳思卓，连钰珑，贺芷涵，唐子铭。资料17页，主要是黑板推导和当日总结。 资料预览 资料下载：请走神秘通道。

欢迎小连实习完毕，顺利回归武汉。 组会重要内容： 祝福开银师兄！

MIL-Bayesian Graph Neural Networks论文评述 文章《Bag Graph: Multiple Instance Learning using Bayesian Graph Neural Networks》 https://www.aaai.org/AAAI22Papers/AAAI-8577.PalS.pdf 作者：Soumyasundar Pal, Antonios Valkanas, Florence Regol, Mark Coates 引用方式：Pal, Soumyasundar, et al. “Bag Graph: Multiple Instance Learning using Bayesian Graph Neural Networks.” Proc. AAAI Conf. on Artificial Intelligence. 2022. 论文评述：唐子铭 （整理自多示例贝叶斯图讨论材料。） 2022-10-15 一、 论文主要研究内容和结果： 该工作结合神经网络多示例学习模型(MIL)和贝叶斯-图形神经网络(Bayes-GNN)模型提出了一种端到端的多示例MIL学习体系架构，该方法能够有效地解决包之间存在关系的相互作用对多示例模型结果的影响。 1. 算法建模目标：算法建模目标为$p(y_V  |  Y_L, X_V, G_{obs})$，换言之，利用图的观测值$G_{obs}$，包的示例Instance的表示$X_V$, 和训练集$L$中的包标签$Y_L$来对整个图的节点集合V进行标签值计算。 我们做个类比：V是全校学生，Z_iContinueContinue reading “《多示例贝叶斯图学习》-AAAI2022-论文评述”