Biogpt Large

🚀 BioGPT

事前学習された言語モデルは、一般的な自然言語分野での大成功に触発され、生物医学分野でもますます注目を集めています。一般的な言語分野の事前学習言語モデルの2つの主要な分岐、すなわちBERT（およびそのバリエーション）とGPT（およびそのバリエーション）のうち、前者はBioBERTやPubMedBERTなど、生物医学分野で広範に研究されてきました。これらのモデルはさまざまな識別的な下流の生物医学タスクで大きな成功を収めていますが、生成能力の欠如がその適用範囲を制約しています。本論文では、大規模な生物医学文献で事前学習されたドメイン固有の生成型Transformer言語モデルであるBioGPTを提案します。BioGPTを6つの生物医学自然言語処理タスクで評価し、ほとんどのタスクで従来のモデルを上回ることを示します。特に、BC5CDR、KD - DTI、DDIのエンド・ツー・エンドの関係抽出タスクでそれぞれ44.98%、38.42%、40.76%のF1スコアを達成し、PubMedQAで78.2%の正解率を達成し、新記録を樹立しました。テキスト生成に関する事例研究は、生物医学用語に対して流暢な記述を生成するBioGPTの生物医学文献における優位性をさらに実証しています。

🚀 クイックスタート

事前学習された言語モデルは、生物医学分野でますます注目を集めています。BioGPTは、大規模な生物医学文献で事前学習された生成型Transformer言語モデルで、さまざまな生物医学自然言語処理タスクで優れた性能を発揮します。

📄 ライセンス

このプロジェクトはMITライセンスの下で提供されています。

📚 ドキュメント

データセット

• このモデルは、PubMedデータセットを使用して事前学習されています。

推論パラメータ

ウィジェット

ウィジェットの初期入力テキストは "COVID - 19 is" です。

📚 引用

もしあなたの研究でBioGPTが役立つと感じた場合は、次の論文を引用してください。

@article{10.1093/bib/bbac409,
    author = {Luo, Renqian and Sun, Liai and Xia, Yingce and Qin, Tao and Zhang, Sheng and Poon, Hoifung and Liu, Tie-Yan},
    title = "{BioGPT: generative pre-trained transformer for biomedical text generation and mining}",
    journal = {Briefings in Bioinformatics},
    volume = {23},
    number = {6},
    year = {2022},
    month = {09},
    abstract = "{Pre-trained language models have attracted increasing attention in the biomedical domain, inspired by their great success in the general natural language domain. Among the two main branches of pre-trained language models in the general language domain, i.e. BERT (and its variants) and GPT (and its variants), the first one has been extensively studied in the biomedical domain, such as BioBERT and PubMedBERT. While they have achieved great success on a variety of discriminative downstream biomedical tasks, the lack of generation ability constrains their application scope. In this paper, we propose BioGPT, a domain-specific generative Transformer language model pre-trained on large-scale biomedical literature. We evaluate BioGPT on six biomedical natural language processing tasks and demonstrate that our model outperforms previous models on most tasks. Especially, we get 44.98\%, 38.42\% and 40.76\% F1 score on BC5CDR, KD-DTI and DDI end-to-end relation extraction tasks, respectively, and 78.2\% accuracy on PubMedQA, creating a new record. Our case study on text generation further demonstrates the advantage of BioGPT on biomedical literature to generate fluent descriptions for biomedical terms.}",
    issn = {1477-4054},
    doi = {10.1093/bib/bbac409},
    url = {https://doi.org/10.1093/bib/bbac409},
    note = {bbac409},
    eprint = {https://academic.oup.com/bib/article-pdf/23/6/bbac409/47144271/bbac409.pdf},
}