[論文レビュー] A New Hierarchical Redundancy Eliminated Tree Augmented Naive Bayes Classifier for Coping with Gene Ontology-based Features

Cen Wan, Alex A. Freitas|arXiv (Cornell University)|Jul 6, 2016

Bioinformatics and Genomic Networks参考文献 6被引用数 6

ひとこと要約

本稿では、学習段階において遺伝子オントロジー（GO）特徴量の階層的重複を排除する、HRE–TANと呼ばれる新しいツリー拡張ナイーブベイズ分類器を提案する。この手法は、階層的重複を排除した最大重みスパニングツリー（HRE–MST）を用いた遅延学習アプローチを採用する。HRE–TANは、GO用語を特徴量として用いる老化関連遺伝子データセットにおいて、予測精度とクラス不均衡に対するロバスト性において、従来のTANを顕著に上回る性能を発揮する。

ABSTRACT

The Tree Augmented Naive Bayes classifier is a type of probabilistic graphical model that can represent some feature dependencies. In this work, we propose a Hierarchical Redundancy Eliminated Tree Augmented Naive Bayes (HRE-TAN) algorithm, which considers removing the hierarchical redundancy during the classifier learning process, when coping with data containing hierarchically structured features. The experiments showed that HRE-TAN obtains significantly better predictive performance than the conventional Tree Augmented Naive Bayes classifier, and enhanced the robustness against imbalanced class distributions, in aging-related gene datasets with Gene Ontology terms used as features.

研究の動機と目的

• ナイーブベイズの独立性仮定を破る遺伝子オントロジー（GO）用語の階層的重複の課題に対処すること。
• 前処理段階ではなく、学習プロセスに埋め込まれた形で階層的重複を排除する分類器を開発し、モデルの一般化性能を向上させること。
• 老化関連遺伝子分類タスクにおける不均衡なクラス分布に対するロバスト性を強化すること。
• 複数のモデル生物におけるGO用語のさまざまな組み合わせに対して、提案手法の性能を評価すること。

提案手法

• HRE–TANは、各テストインスタンスに対して、条件付き相互情報量（CMI）をエッジ重みとして用いた最大重みスパニングツリー（MST）を構築する。
• 階層的重複チェックを導入：同じ値を持つ祖先または子孫の特徴量を接続するエッジは「利用不可」とマークされ、MST構築から除外される。
• アルゴリズムは利用可能なエッジの集合を維持し、現在のインスタンスにおける階層的関係と特徴量の値に基づいて、選択状態を動的に更新する。
• 最終的なツリー構造は、重複のない高CMIエッジのみを用いて構築され、ランダムに選ばれたノードをルートとしてエッジを方向付け、ベイジアンネットワークを形成する。
• トレーニングおよびテストデータセットは、各インスタンスのHRE–MSTに含まれる特徴量のみを用いて再定義され、インスタンスごとのモデル適応が可能になる。
• 各テストインスタンスごとにツリー構造を再計算することで、遅延学習を統合し、文脈に適した特徴量依存関係モデリングを実現する。

実験結果

リサーチクエスチョン

• RQ1 分類器の学習段階で階層的重複を排除することで、GOベースの遺伝子分類タスクにおける予測性能が向上するか？
• RQ2 HRE–TANは、従来のTANと比較して正確性およびクラス不均衡に対するロバスト性において優れているか？
• RQ3 学習段階に埋め込まれた重複排除が、前処理ベースの特徴量選択手法に比べて優れているか？
• RQ4 HRE–TANの性能向上は、異なるGO用語の組み合わせおよびモデル生物の種類にわたって一貫しているか？

主な発見

• HRE–TANは、28個の老化関連遺伝子データセットのうち18個で従来のTANよりも顕著に高い幾何平均（GMean）を達成し、Wilcoxon符号順位検定による有意差（有意水準0.05）が確認された。
• HRE–TANはクラス不均衡に対する優れたロバスト性を示し、GMeanとクラス不均衡度の間の相関係数はr = -0.479であったのに対し、TANはr = -0.801であった。
• HRE–TANのGMeanは、クラス不均衡度が増加しても低下が緩やかであり、歪んだデータ分布下でも安定性が保たれていることを示している。
• 2つのデータセットでは、HRE–TANとTANが同一のGMeanスコアを達成しており、バランスの取れた設定下でも一貫した性能を示している。
• この手法は、冗長なGO用語の依存関係に起因するノイズを効果的に低減し、長寿促進遺伝子および老化促進遺伝子の分類において、より正確かつ安定した分類を実現した。