[論文レビュー] Turning CARTwheels: An Alternating Algorithm for Mining Redescriptions

Deept Kumar, Naren Ramakrishnan+2 more|ArXiv.org|Nov 27, 2003

Data Mining Algorithms and Applications参考文献 16被引用数 11

ひとこと要約

本稿では、異なる語彙で記述されたデータサブセット間の同値的またはほぼ同値的な集合論的関係（ルーブル記述）をマイニングするため、互いに逆方向に成長する2つの分類木を用いた交互アルゴリズムであるCARTwheelsを紹介する。この手法により、多様な記述子間で暗黙的で高レベルのパターンを発見可能であり、バイオインフォマティクス分野において10遺伝子の円環的ルーブル記述チェーンと、最大1.0に達する改善されたJaccard係数が実証された。

ABSTRACT

We present an unusual algorithm involving classification trees where two trees are grown in opposite directions so that they are matched at their leaves. This approach finds application in a new data mining task we formulate, called "redescription mining". A redescription is a shift-of-vocabulary, or a different way of communicating information about a given subset of data; the goal of redescription mining is to find subsets of data that afford multiple descriptions. We highlight the importance of this problem in domains such as bioinformatics, which exhibit an underlying richness and diversity of data descriptors (e.g., genes can be studied in a variety of ways). Our approach helps integrate multiple forms of characterizing datasets, situates the knowledge gained from one dataset in the context of others, and harnesses high-level abstractions for uncovering cryptic and subtle features of data. Algorithm design decisions, implementation details, and experimental results are presented.

研究の動機と目的

• バイオインフォマティクスなどのハイパフォーマンス科学分野における、複数の多様なデータ記述子を統合する課題に対処すること。
• 異なる語彙によって定義されたサブセット間の同値関係を発見する、新しいデータマイニングタスクとしてのルーブル記述マイニングを定式化すること。
• 高いJaccard類似度を持つ集合論的式（例：積集合、差集合）を自動的に特定する、効率的で木構造に基づくアルゴリズムを開発すること。
• データ内の概念的・記述的ギャップを埋める新しい意味のある特徴量を生成することで、構築的誘導を可能にすること。
• 異なる方法で記述された共通のオブジェクトサブセットを同定することで、データセット間の知識統合を支援すること。

提案手法

• CARTwheelsは、X記述子側とY記述子側からそれぞれ分類木を交互に成長させ、葉の一致を照合することで潜在的なルーブル記述を特定する。
• 主評価指標として対称的Jaccard係数を用いる：$ \text{Jaccard}(E,F) = \frac{|E \cap F|}{|E \cup F|} $、ここでEとFは記述子に基づく集合論的式である。
• 表現の複雑さを制限するための文法的バイアスを適用（例：Xからの2つの記述子の積集合、Yからの和集合または差集合）して、取り扱いやすさを確保する。
• エントロピーと決定木誘導の原則を活用し、類似度の高い葉の一致を指向するように木の成長を誘導する。
• 和集合、積集合、差集合などの集合演算を活用して、単純な記述子一致を超えた、より洗練されたルーブル記述を強化する。
• 正確なルーブル記述と近似ルーブル記述の両方を扱えるように設計されており、生物学的または科学的に意味のある同値関係の同定に重点を置いている。

実験結果

リサーチクエスチョン

• RQ1 異なる語彙で記述されたデータサブセットの同値的またはほぼ同値的な関係を自動で発見する方法は何か？
• RQ2 複数の記述子ファミリーにまたがる集合論的関係を効率的にマイニングするためのアルゴリズム的アプローチは何か？
• RQ3 強度と生物学的関連性に基づいてルーブル記述を評価・順位付けする方法は何か？
• RQ4 交互に成長する木誘導は、複雑で多記述子のデータセットにおいて、微細で高レベルのパターンを効果的に同定できるか？
• RQ5 ルーブル記述は、遺伝子から経路や生物学的プロセスへの抽象度のギャップをどの程度埋められるか？

主な発見

• CARTwheelsは、3つの実験的比較において10遺伝子を含む円環的ルーブル記述チェーン（R7）を成功裏に発見し、ストレス下での協調的生物学的活動を示唆した。
• 精錬されたルーブル記述において、完璧なJaccard係数1.0を達成した：‘核兵器を公式に宣言した国’ ∩ ‘防衛予算 > 300億ドル’ ⇔ ‘国連安全保障理事会の常任理事国’ – ‘共産主義歴史を持つ国’。
• Xからの2つの記述子とYからの1つの記述子を含むルーブル記述は、初期の0.428から改善され、Jaccard係数0.625を達成した。
• 本手法は、実際の生物学的データセットにおいて7遺伝子のルーブル記述を同定し、機能的に一貫性のある遺伝子群を特定する有効性を示した。
• 交差と差集合演算を含む複雑なルーブル記述において、米国、英国、フランスの3カ国の一致を効果的に同定した。
• バイオインフォマティクス分野において、異種記述子の統合において優れたパフォーマンスを示し、データの抽象化レベルを越えて生物学的に意味のある非自明な関係を明らかにした。