[논문 리뷰] Biclustering Algorithms Based on Metaheuristics: A Review

Adán José-García, Julie Jacques외 2명|arXiv (Cornell University)|2022. 03. 30.

Sustainable Supply Chain Management인용 수 4

한 줄 요약

이 논문은 메타휴리스틱 기반 이클러스터링 알고리즘에 대한 종합적인 리뷰를 제공하며, 단일 및 다중 목적 최적화 프레임워크 내에서 인코딩 체계, 목적 함수 및 변형 연산자들을 분석한다. 이는 이클러스터 표현 및 평가의 핵심 과제를 규명하고, 다중 목적 및 다수 목적 유전적 알고리즘의 잠재력을 강조하며, 삼중클러스터링, 이질적 데이터 및 다중 시각 이클러스터링과 같은 새로운 연구 방향을 제시한다.

ABSTRACT

Biclustering is an unsupervised machine learning technique that simultaneously clusters rows and columns in a data matrix. Biclustering has emerged as an important approach and plays an essential role in various applications such as bioinformatics, text mining, and pattern recognition. However, finding significant biclusters is an NP-hard problem that can be formulated as an optimization problem. Therefore, different metaheuristics have been applied to biclustering problems because of their exploratory capability of solving complex optimization problems in reasonable computation time. Although various surveys on biclustering have been proposed, there is a lack of a comprehensive survey on the biclustering problem using metaheuristics. This chapter will present a survey of metaheuristics approaches to address the biclustering problem. The review focuses on the underlying optimization methods and their main search components: representation, objective function, and variation operators. A specific discussion on single versus multi-objective approaches is presented. Finally, some emerging research directions are presented.

연구 동기 및 목표

• 기존 문헌의 격차를 보완하기 위해 메타휴리스틱 기반 이클러스터링에 대한 체계적인 리뷰를 제공하는 것.
• 표현, 목적 함수 및 변형 연산자 등을 포함한 메타휴리스틱 기반 이클러스터링의 핵심 구성 요소를 분석하는 것.
• 이클러스터링 응용 분야에서 단일 목적 및 다중 목적 최적화 전략을 비교하는 것.
• 삼중클러스터링, 이질적 데이터 및 다중 시각 이클러스터링과 같은 새로운 연구 과제를 규명하는 것.
• 이클러스터링 연구에서 표준화된 벤치마크와 생물학적으로 의미 있는 평가 지표를 도입할 것을 주장하는 것.

제안 방법

• 이클러스터링 문제를 NP-난해한 조합 최적화 과제로 분류하고, 히우리스틱 해법이 필요함을 강조한다.
• 정수 및 이진 표현 방식을 포함한 인코딩 체계를 검토하며, 단일 및 다중 이클러스터 인코딩에 대한 적합성을 중점적으로 분석한다.
• 평균 제곱 잔차, 분산 및 일관성 모델(加법형, 곱셈형)과 같은 이클러스터 품질 지표를 기반으로 한 목적 함수를 분석한다.
• 유전 알고리즘, 시뮬레이티드 어닐링 및 기타 자연 기반 메타휴리스틱에서의 변형 연산자인 변이 및 교배 연산을 검토한다.
• 단일 목적 메타휴리스틱(예: GA, PSO, ACO)을 활용해 한 번에 하나의 이클러스터 품질 지표를 최적화하는 평가를 수행한다.
• 다중 목적 및 다수 목적 진화 알고리즘(예: NSGA-III, MOEA/D)을 활용해 다중 이클러스터 기준을 동시에 최적화하는 방법을 탐색한다.

실험 결과

연구 질문

• RQ1 다양한 데이터 유형에서 메타휴리스틱 알고리즘이 이클러스터 품질 및 계산 효율성 측면에서 어떻게 상호 비교되는가?
• RQ2 메타휴리스틱 프레임워크 내에서 이클러스터를 표현하고 진화시키는 데 가장 효과적인 인코딩 체계와 변형 연산자는 무엇인가?
• RQ3 단일 목적 및 다중 목적 최적화 전략은 다양한 의미 있는 이클러스터를 발견하는 데 있어 어떤 차이를 보이는가?
• RQ4 특히 생물학적 또는 통계적 의미에서 이클러스터링 결과 평가의 핵심 과제는 무엇인가?
• RQ5 삼중클러스터링 및 다중 시각 데이터 분야에서 메타휴리스틱 기반 이클러스터링을 발전시키기 위해 가장 유망한 미래 연구 방향은 무엇인가?

주요 결과

• 유전 알고리즘, 입자 군집 최적화, 개미 군집 최적화와 같은 메타휴리스틱은 합리적인 시간 내에 NP-난해한 이클러스터링 문제를 효과적으로 해결할 수 있다.
• 특히 단일 해에 다중 이클러스터를 인코딩할 경우, 정수 기반 표현 방식이 이진 표현 방식보다 일반적으로 더 효과적이다.
• NSGA-III 및 MOEA/D와 같은 다중 목적 메타휴리스틱은 다중 이클러스터 품질 기준을 동시에 최적화하는 데 유망하지만, 해 선택 과정은 여전히 도전 과제로 남아 있다.
• 현재까지 이클러스터링을 위한 표준화된 벤치마크 데이터셋이 없어 알고리즘 간 공정한 비교가 제한되어 있으며, 종합적이고 다양한 테스트 세트 개발이 필수적이다.
• 시간적 차원을 포함한 삼중클러스터링은 다중 목적 프레임워크 내에서 아직 충분히 탐색되지 않아 중요한 연구 기회로 남아 있다.
• 전자 건강 기록과 같은 이질적 데이터에 메타휴리스틱 기반 이클러스터링을 적용한 사례는 제한적이지만, 데이터 희소성과 효율적인 열거 전략의 필요성로 인해 유망한 가능성을 지닌다.