[論文レビュー] Learning seasonal phytoplankton communities with topic models

Arnold Kalmbach, Heidi M. Sosik+2 more|arXiv (Cornell University)|Sep 1, 2017

Biomedical Text Mining and Ontologies参考文献 6被引用数 1

ひとこと要約

本稿では、時系列の分類群数から解釈可能でスパースな珪藻類群集構造を学習する非パrametricな時空間トピックモデルを提案する。群集を分類群上の確率分布として表現し、時間ステップをこれらの群集の混合としてモデル化することで、環境変数に対する単純な線形回帰を用いて群集および分類群の分布を正確に予測可能となる。これは直接予測やPCAを上回る性能を示す。

ABSTRACT

In this work we develop and demonstrate a probabilistic generative model for phytoplankton communities. The proposed model takes counts of a set of phytoplankton taxa in a timeseries as its training data, and models communities by learning sparse co-occurrence structure between the taxa. Our model is probabilistic, where communities are represented by probability distributions over the species, and each time-step is represented by a probability distribution over the communities. The proposed approach uses a non-parametric, spatiotemporal topic model to encourage the communities to form an interpretable representation of the data, without making strong assumptions about the communities. We demonstrate the quality and interpretability of our method by its ability to improve performance of a simplistic regression model. We show that simple linear regression is sufficient to predict the community distribution learned by our method, and therefore the taxon distributions, from a set of naively chosen environment variables. In contrast, a similar regression model is insufficient to predict the taxon distributions directly or through PCA with the same level of accuracy.

研究の動機と目的

• 群集構造に関する強い仮定を必要とせず、潜在的なトピックとしての珪藻類群集を確率的混合としてモデル化すること。
• 生成的確率的フレームワークを用いて、時系列データにおける分類群の時空間的共発現パターンを捉えること。
• 生データやPCAよりも解釈可能な群集表現を学習することで、分類群の分布の予測精度を向上させること。
• 単純な線形回帰モデルが、学習された群集表現を入力として用いることで、群集分布を効果的に予測できることを示すこと。

提案手法

• 本モデルは、非パrametricベイジアンアプローチとして階層的ディリクレ過程を用い、珪藻類の分類群数から柔軟に潜在的な群集数を学習する。
• 各群集は分類群上の確率分布として表現され、各時間ステップはこれらの群集の混合としてモデル化される。
• 共発現する分類群の解釈可能で生物学的に意味のあるグループ化を促進するために、群集割り当てにスパarsityを課す。
• 時間的および空間的依存性を、時間と場所にわたる群集割り当てに構造的事前分布を用いて組み込む。
• 推論プロセスでは、群集割り当ておよびトピック割合の事後分布を推定するためにギブスサンプリングを用いる。
• 得られた群集表現を特徴量として用い、群集および分類群の分布を予測するための線形回帰モデルを学習する。

実験結果

リサーチクエスチョン

• RQ1 強い仮定を必要とせず、固定された群集数を仮定しない非パrametricなトピックモデルが、時系列の分類群数から解釈可能な珪藻類群集を効果的に学習できるか？
• RQ2 生データやPCAと比較して、学習された群集表現を用いた単純な線形回帰モデルの予測性能が向上するか？
• RQ3 入力として分類群の分布が与えられた場合、線形モデルが分類群の分布をどの程度正確に予測できるか？
• RQ4 学習された群集が、生物学的に意味のある珪藻類分類群の共発現パターンをどの程度反映しているか？
• RQ5 環境変数のノイズや変動に対して、群集ダイナミクスの予測においてモデルがどれほど頑健であるか？

主な発見

• 提案されたトピックモデルは、固定された群集数を仮定しないで、時系列データからスパースで解釈可能な珪藻類群集を効果的に学習した。
• 学習された群集分布を入力として用いた線形回帰は、生の分類群数を入力とした場合に比べ、分類群の分布予測において顕著に高い精度を達成した。
• PCAに基づく特徴抽出よりも優れた性能を示し、群集表現が線形次元削減よりも関連性の高い構造を捉えていることを示した。
• 回帰性能の向上は、学習された群集がデータ内に意味のある予測可能なパターンを符号化していることを示している。
• モデルの非パrametric性により、データに実際の群集数に適応でき、過学習や過小適合を回避できた。