[論文レビュー] Multivariate Analysis and Visualization using R Package muvis

Elyas Heidari, Vahid Balazadeh-Meresht+1 more|arXiv (Cornell University)|Jan 1, 2018

Data Analysis with R参考文献 19被引用数 1

ひとこと要約

本稿では、エンドツーエンドの多変量データ解析と可視化のための包括的ツールキットであるRパッケージmuvisを紹介する。本研究では、新規のKLベースの手法—変数別Kullback-Leibler発散（VKL）および違反する変数別Kullback-Leibler発散（VVKL）—を提案し、群間で分布が著しく異なる特徴量を同定する。NHANESデータセットを用いた前処理、グラフィカルモデリング、クラスタリング、次元削減の各プロセスを通じて、その有効性を示した。

ABSTRACT

Increased application of multivariate data in many scientific areas has considerably raised the complexity of analysis and interpretation. Although quite a few approaches have been put forward to address this issue, there is still a gap between the most efficient proposed methods and available software. muvis is an R package (core team (2017)) which is a toolkit for analyzing multivariate datasets. Several tools are implemented for common analyses of multivariate datasets, including preprocessing, dimensionality reduction, statistical analysis, Probabilistic Graphical Modeling, hypothesis testing, and visualization. Furthermore, we have implemented two novel methods--Variable-wise Kullback-Leibler Divergence (VKL) and Violating Variable-wise Kullback-Leibler Divergence (VVKL)--which are proposed to find the features with most different probability distributions between two specific groups of samples. The main aim of the package is to provide a wide range of users with different levels of expertise in R with a set of tools for comprehensive analysis of multivariate datasets. We exploited the NHANES dataset to declare the functionality of muvis in practice.

研究の動機と目的

• 高度な多変量解析手法とアクセス可能で統合されたソフトウェアツールの間のギャップを埋める。
• あらゆるRの熟練度を持つユーザーに適した、統合的でエンドツーエンドの多変量データ解析パイプラインを提供する。
• 2つのサンプル群間の確率分布の乖離を検出するための、2つの新規の分布ベースの手法—VKLおよびVVKL—を導入・実装する。
• 実世界のNHANESデータセットを用いて、前処理、統計モデリング、可視化の各タスクにおいてmuvisの機能を実証する。

提案手法

• 前処理、次元削減、仮説検定、可視化を統合した1つのワークフローとして、Rパッケージmuvisを活用する。
• 変数間の条件付き独立構造を推定するために、ガウス・グラフィカル・モデル（GGMs）および分解可能マルコフ確率場（DMRFs）を用いる。
• 2つのサンプル群間における個々の特徴量の分布差を測定するために、変数別Kullback-Leibler発散（VKL）を適用する。
• 期待される線形関係を満たさない特徴量を検出するために、違反する変数別Kullback-Leibler発散（VVKL）を導入し、非線形または複雑な依存関係を強調する。
• 依存構造に基づいてサンプルをクラスタリングするための最小森アルゴリズムを用い、その後コミュニティ検出と可視化を実施する。
• 高次元データの2次元可視化のために、次元削減技術（UMAPおよびt-SNE）を活用し、クラスタメンバーシップで色分けする。

実験結果

リサーチクエスチョン

• RQ1 統合されたRパッケージは、多様な熟練度のユーザーに対して多変量データ解析をどのように簡素化できるか？
• RQ2 2つの群間で著しく異なる確率分布を持つ特徴量を効果的に同定するための新規手法は何か？
• RQ3 KLベースの手法（VKLおよびVVKL）は、従来の相関係数や線形モデリングと比較して、非線形または予期しない関連性を検出する際にどのように優れるか？
• RQ4 グラフィカルモデリングおよびクラスタリング手法は、高次元多変量データに隠れた構造を効果的に明らかにできるか？
• RQ5 UMAPやt-SNEのような可視化ツールは、複雑な多変量関係の解釈をどの程度向上できるか？

主な発見

• muvisパッケージは、前処理段階で外れ値を効果的に同定・除去し、NHANESデータセットのデータ品質を向上させた。
• ガウス・グラフィカル・モデル（GGMs）および最小森クラスタリングは、条件付き依存関係とサンプルのグループ化を的確に捉え、UMAPおよびt-SNEによる低次元可視化も正確に実現した。
• VKLおよびVVKL手法により、群間で顕著な分布差を示す特徴量が同定され、非線形または予期しない関連性の検出が可能になった。
• コミュニティ色分け付きのUMAPおよびt-SNEプロットを含む可視化パイプラインは、データ内のクラスタリングパターンと構造的関係を明確に示した。
• muvisにおけるエンドツーエンドのワークフローは、前処理、モデリング、可視化の各段階で強固なパフォーマンスを示し、包括的な多変量解析を支援した。
• 統計モデリングとインタラクティブ可視化ツールの統合により、多様な科学的ユーザーの解釈可能性と使いやすさが向上した。