Kerangka DATGR menggunakan penyambungan ulang graf yang sadar drift untuk meningkatkan pemodelan teks biomedis

Makalah ini memperkenalkan Drift-Aware Temporal Graph Rewiring (DATGR), sebuah kerangka kerja yang memodelkan evolusi konsep dengan memperbarui sisi ko-kejadian secara dinamis berdasarkan estimasi drift semantik. Alih-alih melatih ulang embedding untuk setiap irisan waktu, DATGR melakukan penyambungan ulang ringan yang digerakkan oleh umpan balik dengan menerapkan aturan pembaruan logistik pada bobot sisi.

• Dievaluasi pada Korpus Multi-Hubungan Biomedis (BIOMRC), metode ini mencapai peningkatan AUROC rata-rata sekitar 0,066 perbedaan absolut (0,699 vs. 0,633) dibandingkan dengan basis statis.
• Area Under the Precision-Recall Curve (AUPRC) tetap sebanding (0,738 vs. 0,744), menunjukkan bahwa adaptasi yang sadar drift meningkatkan recall prediksi tautan tanpa kehilangan presisi.

Hasil-hasil ini menunjukkan bahwa adaptasi tingkat sisi secara efektif menangkap perubahan semantik temporal dalam teks biomedis yang berkembang sambil tetap efisien secara komputasi dan dapat diinterpretasikan.