[論文レビュー] Extended Particle Swarm Optimization (EPSO) for Feature Selection of High Dimensional Biomedical Data

Ali Hakem Alsaeedi, Adil L. Albukhnefis+2 more|arXiv (Cornell University)|Aug 8, 2020

Machine Learning and Data Classification参考文献 19被引用数 5

ひとこと要約

本稿では、特に遺伝子発現プロファイルを含む高次元のバイオメディカルデータにおける特徴選択を向上させるために、拡張型粒子群最適化（EPSO）フレームワークを提案する。動的変化する集団サイズと、探索と活用のグループに分割された粒子を用いることで、停滞を軽減し収束を加速し、標準的なPSOと比較して処理速度を速め（62.14秒対95.72秒）、分類精度を向上（54–100％対52–96％）する。

ABSTRACT

This paper proposes a novel Extended Particle Swarm Optimization model (EPSO) that potentially enhances the search process of PSO for optimization problem. Evidently, gene expression profiles are significantly important measurement factor in molecular biology that is used in medical diagnosis of cancer types. The challenge to certain classification methodologies for gene expression profiles lies in the thousands of features recorded for each sample. A modified Wrapper feature selection model is applied with the aim of addressing the gene classification challenge by replacing its randomness approach with EPSO and PSO respectively. EPSO is initializing the random size of the population and dividing them into two groups in order to promote the exploration and reduce the probability of falling in stagnation. Experimentally, EPSO has required less processing time to select the optimal features (average of 62.14 sec) than PSO (average of 95.72 sec). Furthermore, EPSO accuracy has provided better classification results (start from 54% to 100%) than PSO (start from 52% to 96%).

研究の動機と目的

• がん診断を目的とした遺伝子発現データにおける高次元特徴空間の課題に対処すること。
• 特徴選択の過程で、従来の粒子群最適化（PSO）における停滞と遅い収束を克服すること。
• 修正されたラッパーモデルを用いて、バイオメディカルデータにおける探索効率と分類精度を向上させること。
• 特徴選択タスクにおける分類性能を維持または向上させながら、計算時間を短縮すること。

提案手法

• EPSOは、多様性と探索性を向上させるために可変的集団サイズの初期化を導入する。
• 粒子は2つのグループに分割される：1つはグローバルな探索用、もう1つはローカルな活用用で、探索行動のバランスをとる。
• 標準的なPSOのランダム初期化を置き換え、停滞を低減する構造的かつ適応的な集団分割を採用する。
• 修正されたラッパー・モデルにより、EPSOと分類を統合し、性能に基づいて特徴サブセットを評価する。
• フィットネス評価は分類精度に基づき、粒子の移動を最適な特徴サブセットに向かわせる。
• 探索と活用の動的バランスをとることで、早期収束を回避する。

実験結果

リサーチクエスチョン

• RQ1 標準的なPSOと比較して、EPSOは高次元バイオメディカル特徴選択における収束速度と分類精度を向上させることができるか？
• RQ2 EPSOにおける可変的集団サイズと二重グループ粒子戦略は、探索プロセスにおける停滞を軽減するか？
• RQ3 EPSOは、分類性能を維持または向上させながら、処理時間をどの程度短縮できるか？
• RQ4 異なるバイオメディカルデータセットにおいて、EPSOは特徴サブセットの質と精度の観点でどの程度の性能を示すか？

主な発見

• EPSOは平均処理時間を62.14秒まで短縮し、PSOの95.72秒と比べ顕著に低減した。
• EPSOは分類精度が54％から100％の範囲を示し、PSOの52％から96％の範囲を上回った。
• 提案されたEPSOモデルは、高次元探索空間における収束速度の向上と、停滞リスクの低減を示した。
• 二重グループ粒子戦略により、探索と活用のバランスが向上し、最適化性能の向上に寄与した。
• EPSOは多様なバイオメディカルデータセットにおいて高い精度を維持したため、特徴選択における頑健性が示された。