[논문 리뷰] PrTransH: Embedding Probabilistic Medical Knowledge from Real World EMR Data.

Linfeng Li, Peng Wang외 6명|arXiv (Cornell University)|2019. 09. 02.

Topic Modeling참고 문헌 14인용 수 5

한 줄 요약

PrTransH는 확률적 삼중항 신뢰도, 유효/왜곡 삼중항을 위한 통합 손실, 의료 배경 지식 증강을 통해 TransH를 개선하여 실생활 전자 의무 기록(EMR) 데이터를 위한 확률적 지식 임bedding 방법을 제안한다. 이는 불확실한 EMR 기반 의료 지식 그래프에서 링크 예측 성능에서 TransH를 능가하며, 불확실한 EMR 유래 지식에 대해 처음으로 이와 같은 접근을 제안한다.

ABSTRACT

This paper proposes an algorithm named as PrTransH to learn embedding vectors from real world EMR data based medical knowledge. The unique challenge in embedding medical knowledge graph from real world EMR data is that the uncertainty of knowledge triplets blurs the border between correct and wrong triplet, changing the fundamental assumption of many existing algorithms. To address the challenge, some enhancements are made to existing TransH algorithm, including: 1) involve probability of medical knowledge triplet into training objective; 2) replace the margin-based ranking loss with unified loss calculation considering both valid and corrupted triplets; 3) augment training data set with medical background knowledge. Verifications on real world EMR data based medical knowledge graph prove that PrTransH outperforms TransH in link prediction task. To the best of our survey, this paper is the first one to learn and verify knowledge embedding on probabilistic knowledge graphs.

연구 동기 및 목표

• 실생활 EMR 유래 의료 지식 삼중항의 불확실성으로 인해 올바른 삼중항과 잘못된 삼중항의 경계가 흐려지는 문제를 해결하기 위해.
• 학습 목표에 삼중항 신뢰도 점수를 통합하여 TransH 모델을 확률적 지식 그래프에 적응시키기 위해.
• 노이즈가 많은 실생활 EMR 데이터에서 유도된 의료 지식 그래프에서 링크 예측 성능을 향상시키기 위해.
• 실제 EMR 기반 의료 지식 그래프에서 PrTransH의 효과성을 검증하여 표준 TransH보다 뛰어난 성능을 보여주기 위해.

제안 방법

• 각 의료 지식 삼중항의 신뢰도 수준을 임베딩 학습 과정에 통합하는 확률 인식 학습 목표를 도입한다.
• 마진 기반 순위 손실을 대체하여 유효 삼중항과 왜곡 삼중항을 함께 최적화하는 통합 손실 함수를 도입하여 불확실성에 대한 강인성을 향상시킨다.
• 일반화 능력 향상과 노이즈 민감도 감소를 위해 훈련 데이터에 외부 의료 배경 지식을 증강한다.
• 삼중항 신뢰도 기반으로 손실 기여도를 가중하는 방식으로 TransH 모델의 벡터 공간 투영 메커니즘을 확장하여 확률적 삼중항을 처리한다.
• 삼중항 확률을 고려하여 더 신뢰할 수 있는 부정 예제를 우선적으로 학습하도록 수정된 음성 샘플링 전략을 활용한다.
• 임베딩 품질과 불확실성 인식 손실을 균형 있게 조정하는 공동 최적화 프레임워크를 사용하여 링크 예측 성능을 향상시킨다.

실험 결과

연구 질문

• RQ1 실생활 EMR 데이터에서 유도된 불확실한 삼중항을 가진 확률적 의료 지식 그래프에서 지식 임베딩 모델이 효과적으로 학습할 수 있는가?
• RQ2 삼중항 신뢰도를 통합할 경우 표준 TransH 대비 링크 예측 성능이 어떻게 향상되는가?
• RQ3 훈련 데이터에 의료 배경 지식을 증강할 경우 불확실한 EMR 데이터에서 모델의 일반화 능력은 어느 정도 향상되는가?
• RQ4 유효 삼중항과 왜곡 삼중항을 함께 처리하는 통합 손실 함수가 마진 기반 순위 손실보다 불확실한 지식 그래프에서 더 나은 성능을 내는가?
• RQ5 PrTransH는 확률적 지식 그래프에서 지식 임베딩을 성공적으로 학습하고 검증하는 데 있어 첫 번째 방법인가?

주요 결과

• PrTransH는 실생활 EMR 기반 의료 지식 그래프에서 링크 예측 정확도에서 표준 TransH를 뚜렷이 능가한다.
• 손실 함수에 삼중항 확률을 통합함으로써 불확실성 하에서 더 강인하고 신뢰할 수 있는 임베딩 학습이 가능해진다.
• 통합 손실 함수는 유효 삼중항과 왜곡 삼중항을 더 잘 처리함으로써 모델 수렴과 성능 향상을 개선한다.
• 훈련 데이터에 의료 배경 지식을 통합함으로써 모델의 일반화 능력이 향상되어 희귀하거나 저빈도 의료 관계를 예측하는 데 기여한다.
• PrTransH는 확률적 지식 그래프에서 지식 임베딩을 성공적으로 학습하고 검증하는 데 있어 첫 번째 방법으로, 불확실한 의료 지식 표현의 새로운 기준을 설정한다.