[論文レビュー] Robust and scalable learning of data manifolds with complex topologies via ElPiGraph.

Luca Albergante, Evgeny M. Mirkes+7 more|arXiv (Cornell University)|Apr 20, 2018

Single-cell and spatial transcriptomics参考文献 42被引用数 6

ひとこと要約

ElPiGraph は、k 近傍法に依存せず、弾性エネルギー関数の最小化により、分岐、穴、非連結成分などの非自明なトポロジーを持つ複雑なデータ多様体を、ロバストでスケーラブルに学習する手法である。ノイズが多く高次元のデータにおいても、近似 k-means の速度に近く、高い精度を維持する。これにより、単細胞ゲノム学や天文学における応用を想定した、効率的な主多様体学習およびアンサンブルベースのコンSENSUS多様体の構築が可能になる。

ABSTRACT

We present ElPiGraph, a method for approximating data distributions having non-trivial topological features such as the existence of excluded regions or branching structures. Unlike many existing methods, ElPiGraph is not based on the construction of a k-nearest neighbour graph, a procedure that can perform poorly in the case of multidimensional and noisy data. Instead, ElPiGraph constructs elastic principal graphs in a more robust way by minimizing elastic energy, applying graph grammars and explicitly controlling topological complexity. Using trimmed approximation error function makes ElPiGraph extremely robust to the presence of background noise without decreasing computational performance and allows it to deal with complex cases of manifold learning (for example, ElPiGraph can learn disconnected intersecting manifolds). Thanks to the quasi-quadratic nature of the elastic function, ElPiGraph performs almost as fast as a simple k-means clustering and, therefore, is much more scalable than alternative methods, and can work on large datasets containing millions of high dimensional points on a personal computer. The excellent performance of the method opens the possibility to apply resampling and to approximate complex data structures via principal graph ensembles which can be used to construct consensus principal graphs. ElPiGraph is currently implemented in five programming languages and accompanied by a graphical user interface, which makes it a versatile tool to deal with complex data in various fields from molecular biology, where it can be used to infer pseudo-time trajectories from single-cell RNASeq, to astronomy, where it can be used to approximate complex structures in the distribution of galaxies.

研究の動機と目的

• 高次元でノイズの多いデータに複雑なトポロジー（分岐や非連結成分など）を有する場合に、k 近傍法に基づく多様体学習の限界を克服すること。
• 分岐構造や除外領域などの非自明なトポロジカル特徴を捉えることができる、スケーラブルでロバストな主多様体学習手法を開発すること。
• 最大数百万点の大きなデータセットを、標準的なハードウェア上で精度を落とさずに効率的に処理できるようにすること。
• 安定性と解釈可能性を向上させるために、アンサンブル手法を用いたコンセンサス主多様体の構築を可能にすること。
• 幅広い科学分野への応用を想定し、GUI を備えた多言語対応の包括的実装を提供すること。

提案手法

• ElPiGraph は、幾何的忠実性とトポロジカルスムーズネスの両立を図る弾性エネルギー関数の最小化により、弾性主多様体を構築する。
• グラフ文法を用いて反復的にグラフ構造を最適化することで、制御されたトポロジカルな複雑さを実現し、不自然な分岐の発生を回避する。
• トリムド近似誤差関数を導入することで、バックグラウンドノイズに対して高いロバスト性を発揮しつつ、計算性能を劣化させない。
• 高次元やノイズの影響を受ける状況では失敗しやすい k 近傍法の構築を回避する。
• 弾性エネルギー関数の準二次的性質のおかげで、k-means クラスタリングと同等の近似線形スケーラビリティを達成する。
• コンセンサス多様体の構築に適した主多様体アンサンブルの生成をサポートし、複雑なデータ解析における信頼性を向上させる。

実験結果

リサーチクエスチョン

• RQ1 k 近傍法に基づく多様体学習手法は、分岐や非連結成分を有する高次元でノイズの多いデータをロバストに処理できるか？
• RQ2 グラフ構築中にトポロジカルな複雑さを明示的に制御することで、過学習や不自然な構造の発生を防げるか？
• RQ3 大規模データセットにおいて、弾性エネルギー最小化は k 近傍法に基づく手法に比べ、精度とスケーラビリティの両面で優れているか？
• RQ4 主多様体アンサンブルは、学習されたデータ構造の安定性と解釈可能性をどの程度向上できるか？
• RQ5 本手法は複数のプログラミング言語で効率的に展開可能であり、多様な科学的応用に適用可能か？

主な発見

• ElPiGraph は、標準的な個人用コンピュータ上でも、数百万点の高次元データに対して k-means に近い計算速度を達成し、スケーラブルな学習を可能にする。
• トリムド近似誤差関数のおかげで、バックグラウンドノイズに対して高いロバスト性を示し、性能の低下を伴わない。
• 非連結、交差、分岐を持つ多様体を効果的に学習でき、従来の k-NN に基づくアプローチが困難とする特徴を克服する。
• 弾性エネルギー最小化の導入により、複雑なデータ構造が存在する状況でも、滑らかでトポロジカルに正確なグラフ表現が可能になる。
• アンサンブルを用いたコンセンサス主多様体の構築をサポートし、後続の解析における信頼性と解釈可能性が向上する。
• 本手法は 5 言語で実装されており、GUI を備えることで、科学分野における広範な採用が可能になっている。