[논문 리뷰] Extended Particle Swarm Optimization (EPSO) for Feature Selection of High Dimensional Biomedical Data

Ali Hakem Alsaeedi, Adil L. Albukhnefis외 2명|arXiv (Cornell University)|2020. 08. 08.

Machine Learning and Data Classification참고 문헌 19인용 수 5

한 줄 요약

이 논문은 고차원 생물의학 데이터, 특히 유전자 발현 프로파일에서의 특징 선택을 향상시키기 위해 확장된 입자 군집 최적화(EPSO) 프레임워크를 제안한다. 동적으로 변화하는 인구 수와 입자를 탐색 및 이용 그룹으로 나누어 정체를 줄이고 수렴 속도를 높인다. 표준 PSO에 비해 더 빠른 처리(62.14초 대비 95.72초)와 더 높은 분류 정확도(54–100% 대비 52–96%)를 달성한다.

ABSTRACT

This paper proposes a novel Extended Particle Swarm Optimization model (EPSO) that potentially enhances the search process of PSO for optimization problem. Evidently, gene expression profiles are significantly important measurement factor in molecular biology that is used in medical diagnosis of cancer types. The challenge to certain classification methodologies for gene expression profiles lies in the thousands of features recorded for each sample. A modified Wrapper feature selection model is applied with the aim of addressing the gene classification challenge by replacing its randomness approach with EPSO and PSO respectively. EPSO is initializing the random size of the population and dividing them into two groups in order to promote the exploration and reduce the probability of falling in stagnation. Experimentally, EPSO has required less processing time to select the optimal features (average of 62.14 sec) than PSO (average of 95.72 sec). Furthermore, EPSO accuracy has provided better classification results (start from 54% to 100%) than PSO (start from 52% to 96%).

연구 동기 및 목표

• 암 진단을 위한 유전자 발현 데이터에서 고차원 특징 공간의 문제를 해결하기 위해.
• 전통적인 입자 군집 최적화(PSO)가 특징 선택 과정에서 정체와 느린 수렴 문제를 극복하기 위해.
• 수정된 워퍼 모델을 사용하여 생물의학 데이터에서 검색 효율성과 분류 정확도를 향상시키기 위해.
• 특징 선택 작업에서 분류 성능을 유지하거나 향상시키면서 계산 시간을 줄이기 위해.

제안 방법

• EPSO는 다양성과 탐색을 향상시키기 위해 가변 인구 수 초기화를 도입한다.
• 입자는 두 그룹으로 나뉘며, 하나는 전역 탐색을 위해, 다른 하나는 국소 이용을 위해 사용되어 검색 행동을 균형 잡는다.
• 표준 PSO의 무작위 초기화를 대체하여 정적이고 적응형 인구 분할을 도입하여 정체를 줄인다.
• 수정된 워퍼 모델은 EPSO를 분류와 통합하여 성능 기반으로 특징 부분집합을 평가한다.
• 적합도 평가는 분류 정확도에 기반하여 입자의 이동을 최적의 특징 부분집합 쪽으로 이끈다.
• 탐색과 이용의 동적 균형을 통해 조기 수렴을 방지하는 검색 과정을 운영한다.

실험 결과

연구 질문

• RQ1 EPSO는 표준 PSO에 비해 고차원 생물의학 특징 선택에서 수렴 속도와 분류 정확도를 향상시킬 수 있는가?
• RQ2 EPSO의 동적 인구 수와 이중 그룹 입자 전략은 검색 과정에서 정체를 줄이는가?
• RQ3 EPSO는 분류 성능을 유지하거나 향상시키면서 처리 시간을 얼마나 줄일 수 있는가?
• RQ4 EPSO는 다양한 생물의학 데이터셋에서 특징 부분집합의 품질과 정확도 측면에서 어떻게 성능을 발휘하는가?

주요 결과

• EPSO는 평균 처리 시간을 62.14초로 줄여 표준 PSO의 95.72초보다 유의미하게 낮췄다.
• EPSO는 54%에서 100%의 분류 정확도 범위를 달성하여 표준 PSO의 52%에서 96%의 범위를 뛰어넘었다.
• 제안된 EPSO 모델은 고차원 검색 공간에서 수렴 속도 향상과 정체 위험 감소를 입증했다.
• 이중 그룹 입자 전략은 탐색과 이용의 균형을 향상시켜 더 나은 최적화 성능에 기여했다.
• EPSO는 다양한 생물의학 데이터셋에서 높은 정확도를 유지하여 특징 선택에서의 강건성을 보였다.