[論文レビュー] Contrastive Principal Component Analysis

Abubakar Abid, Martin Jinye Zhang+2 more|arXiv (Cornell University)|Sep 20, 2017

Spectroscopy and Chemometric Analyses参考文献 17被引用数 16

ひとこと要約

この論文では、対照的主成分分析（cPCA）を導入し、標準PCAの一般化として、ターゲットデータセットとバックグラウンドデータセットの間で差異を示す低次元構造を特定する手法を提案する。cPCAは、ターゲットデータセットでの分散を最大化し、バックグラウンドデータセットでの分散を最小化することで、特徴を最適化する。この手法は、ノイズの多い画像におけるがんサブタイプや数字の特徴といった、データセット固有のパターンを効率的に分離し、標準PCAに比べて発見および可視化のタスクで優れた性能を示す。

ABSTRACT

We present a new technique called contrastive principal component analysis (cPCA) that is designed to discover low-dimensional structure that is unique to a dataset, or enriched in one dataset relative to other data. The technique is a generalization of standard PCA, for the setting where multiple datasets are available -- e.g. a treatment and a control group, or a mixed versus a homogeneous population -- and the goal is to explore patterns that are specific to one of the datasets. We conduct a wide variety of experiments in which cPCA identifies important dataset-specific patterns that are missed by PCA, demonstrating that it is useful for many applications: subgroup discovery, visualizing trends, feature selection, denoising, and data-dependent standardization. We provide geometrical interpretations of cPCA and show that it satisfies desirable theoretical guarantees. We also extend cPCA to nonlinear settings in the form of kernel cPCA. We have released our code as a python package and documentation is on Github.

研究の動機と目的

• 人口統計的要因やバックグラウンドノイズが分散を支配する状況において、標準PCAが意味のあるデータセット固有のパターンを効果的に分離できないという限界を解決すること。
• あるデータセットにおいて他のデータセットと比較して特徴が強化された低次元部分空間を体系的かつ原理的（principled）に同定する手法を開発すること。特に交絡要因が存在する状況を想定する。
• 複雑な背景を伴うがんサブタイプの同定や、画像における数字認識といった状況において、効果的なデータ探索を可能にすること。
• インタラクティブかつリアルタイムのデータ分析を支援するため、理論的保証と計算効率を提供すること。
• 非線形な状況に対応できるように、カーネルcPCAを用いてデータ内の複雑な非線形対比を捉えること。

提案手法

• cPCAを一般化固有値問題として定式化し、ターゲットデータセットで分散が大きく、バックグラウンドデータセットで分散が小さい方向を最適化する。
• バックグラウンドデータ分散の相対的重要性を制御するための対照パラメータαを導入し、感度と特異度の間で柔軟なトレードオフを可能にする。
• ターゲットおよびバックグラウンドデータの共分散構造を統合した修正されたカーネル行列を用いて、閉形式の解を導出する。
• 多項式カーネルを用いて、データを高次元特徴空間に非線形にマップし、非線形な対比が線形分離可能になるようにする。
• サブスペースのクラスタリングに基づく自動α選択戦略を導入し、手動チューニングなしで最も情報の多い対照的成分を同定する。
• 得られた固有ベクトルを用いてデータを上位k個の対照的成分に射影し、対照的部分空間における可視化および下流の解析を可能にする。

実験結果

リサーチクエスチョン

• RQ1 人口統計的変動が主成分の上位を占める状況下で、cPCAは遺伝子発現データにおいて生物学的に意味のあるがんサブタイプを効果的に分離できるか？
• RQ2 背景テクスチャ（例：芝生）が標準PCAの主成分を支配する状況下で、cPCAは画像内に存在する手書き数字の特徴を回復できるか？
• RQ3 cPCAは、合成データおよび実世界のデータにおいて、非線形かつ対照的な構造を標準PCAおよびカーネルPCAと比較して効果的に同定できるか？
• RQ4 対照パラメータαの値が、同定された成分の品質および解釈可能性に与える影響は何か？
• RQ5 cPCAは、標準PCAと同程度の計算コストであるため、インタラクティブなデータ探索ワークフローに効率的に適用可能か？

主な発見

• cPCAは、背景が複雑な画像においても、標準PCAが背景の分散により数字を区別できない状況でも、手書き数字を効果的に分離できた。
• 遺伝子発現データにおいて、cPCAは人口統計的変動を抑圧することで、それ otherwise 主成分に支配されるがんサブタイプを同定した。
• カーネルcPCAは、線形cPCAおよび標準PCAがクラスタを分離できない合成データにおいても、非線形なサブグループを効果的に同定した。
• 自動α選択戦略は、手動チューニングを必要とせず、多様なデータセットにおいて情報の多い対照的成分を効果的に特定した。
• cPCAは標準PCAと同等の計算コストを達成しており、リアルタイムかつインタラクティブなデータ探索を可能にした。
• 理論的分析により、cPCAの成分が直交性および定義された目的関数下での最適分散対比という望ましい性質を満たすことが確認された。