[論文レビュー] GFA: Exploratory Analysis of Multiple Data Sources with Group Factor Analysis

Eemeli Leppäaho, Muhammad Ammad-ud-din+1 more|arXiv (Cornell University)|Nov 3, 2016

Gene expression and cancer classification参考文献 6被引用数 20

ひとこと要約

この論文は、複数の共起するデータソースの探索的分析を可能にする、GFA Rパッケージを紹介している。グループスパース事前分布を射影行列に適用することで、GFAは共有およびソース固有の潜在的成分を同定し、欠損値の予測をサポートし、前処理から頑健なモデル解釈に至る包括的なパイプラインを提供する。これにより、マルチソースデータ統合とバイクラスタリングが著しく向上する。

ABSTRACT

The R package GFA provides a full pipeline for factor analysis of multiple data sources that are represented as matrices with co-occurring samples. It allows learning dependencies between subsets of the data sources, decomposed into latent factors. The package also implements sparse priors for the factorization, providing interpretable biclusters of the multi-source data

研究の動機と目的

• 複雑な共有変動と構造的ノイズを有する複数の共起するデータソースを分析する包括的でエンド・トゥ・エンドのパイプラインの必要性に対応する。
• CCAGFA や CMF などの既存ツールの制限を克服し、スパース要因分解を可能にするとともに、完全な分析ワークフローのサポートを提供する。
• 潜在的要因および負荷の要素単位のスパース事前分布を用いることで、マルチソースデータの解釈可能なバイクラスタリングを可能にする。
• 高次元要因分析で一般的に見られるマルチモーダルな事後分布の状況下でも、頑健なモデル推論を支援する。
• 不要な成分の自動 pruning を通じたモデルの複雑さの選択を可能にするとともに、柔軟なノイズモデリングを許容する。

提案手法

• 複数のデータ行列を共有される潜在的要因による低ランク近似としてモデル化するベイジアングループ要因分析を用いる。
• 射影行列（W^{(m)}）におけるグループスパース性を誘導するため、スパイクアンドスラブ事前分布を適用する。これにより、データソースの部分集合間で共有される成分の同定が可能になる。
• Gibbsサンプリングを用いて事後分布推論を実行し、初期に高い数の成分（K）を設定して冗長な成分を削除することで、自動的なモデル複雑さの選択を実現する。
• NA値を未観測とみなして後方予測分布を用いて欠損値補完を可能にする。
• 複数のMCMCチェインにわたる頻繁に出現する成分を特定する相関に基づく頑健性分析（robustComponents()）を用いる。これにより、マルチモーダルな事後分布設定下での信頼性が向上する。
• 前処理（例：中心化、スケーリング）および可視化ツール（例：visualizeComponents()）を統合した包括的な分析パイプラインを提供する。

実験結果

リサーチクエスチョン

• RQ1 複数のソースデータ要因分解のための統合的でエンド・トゥ・エンドのパイプラインは、どのように設計可能か？（前処理、モデリング、解釈を含む）。
• RQ2 グループスパース事前分布は、マルチソースデータにおける共有またはソース固有のパターンの解釈可能性と同定にどの程度寄与するか？
• RQ3 成分の削除による自動的なモデル複雑さの選択は、過剰適合を避けて真の潜在構造を特定するのにどの程度効果的か？
• RQ4 複数のMCMCチェインにわたる頑健な成分同定は、高次元でマルチモーダルな事後分布状況下での信頼性を向上させるか？
• RQ5 GFAは、特にソース間の関係が複雑な場合に、マルチソースデータの欠損値予測においてどの程度効果的か？

主な発見

• GFAパッケージは、前処理、要因分解、欠損値予測、モデル解釈に至る包括的な分析パイプラインを効果的に実装している。
• グループスパース事前分布により、任意のデータソースサブセット間で共有される成分を同定可能となり、要因分解における解釈可能性が向上し、ノイズが低減される。
• 初期Kが十分に高い場合、自動的な成分の削除によるモデル複雑さの選択は効果的に機能し、Kが過剰に見積もられても性能劣化が最小限に抑えられる。
• GDSCがん細胞系データセットにおいて、初期Kが20または25のとき、予測性能（スピアマン相関）が最適となり、完全モデルも競争力を持つ。
• robustComponents()関数は、複数のMCMCチェインにわたる安定した成分を効果的に同定し、マルチモーダルな事後分布シナリオでの信頼性を向上させる。
• 欠損値予測は、訓練済みモデルからの固定射影を用いて逐次的なデータバッチに適用することで、正確かつ効率的に行える。