[논문 리뷰] Toward Scalable Machine Learning and Data Mining: the Bioinformatics Case

Faraz Faghri, Sayed Hadi Hashemi외 4명|arXiv (Cornell University)|2017. 09. 29.

Machine Learning in Bioinformatics참고 문헌 10인용 수 5

한 줄 요약

이 논문은 생물정보학 분야에서 가장 영향력 있는 기계학습 및 데이터 마이닝 알고리즘을 특정하고 분석한다—분류, 군집, 회귀, 그래픽 모델, 차원 축소를 포함한 분야를 아우르며, 확장 가능한 계산 전문가들이 최적화 대상 알고리즘을 우선순위 정하는 데 도움을 주기 위함이다. 널리 사용되는 영향력 있는 방법에 초점을 맞추어, 계산 생물학의 대용량 데이터를 위한 확장 가능한 스토리지 및 계산 시스템 설계에서 '일반적인 경우를 최적화하라'는 원칙을 제안한다.

ABSTRACT

In an effort to overcome the data deluge in computational biology and bioinformatics and to facilitate bioinformatics research in the era of big data, we identify some of the most influential algorithms that have been widely used in the bioinformatics community. These top data mining and machine learning algorithms cover classification, clustering, regression, graphical model-based learning, and dimensionality reduction. The goal of this study is to guide the focus of scalable computing experts in the endeavor of applying new storage and scalable computation designs to bioinformatics algorithms that merit their attention most, following the engineering maxim of "optimize the common case".

연구 동기 및 목표

• 생물정보학 및 계산 생물학 분야의 데이터 폭발 문제를 해결하기 위해 가장 영향력 있는 기계학습 및 데이터 마이닝 알고리즘을 특정하기 위해.
• 실제 생물정보학 분야의 사용 및 영향도를 바탕으로, 확장 가능한 계산 전문가들이 알고리즘 최적화 대상을 우선순위 정하는 데 도움을 주기 위해.
• 분류, 군집, 회귀, 그래픽 모델, 차원 축소 등 다양한 분야에서 널리 채택된 알고리즘에 초점을 맞추어, '일반적인 경우를 최적화하라'는 공학 원칙을 적용하기 위해.
• 생물정보학 연구의 요구사항과 확장 가능한 고성능 컴퓨팅 인프라 설계 간 격차를 메우기 위해.

제안 방법

• 생물정보학 연구에서 사용되는 최고 성능을 내는 기계학습 및 데이터 마이닝 알고리즘을 체계적으로 조사하고 분류한다.
• 유전자 발현 분석, 서열 분류, 경로 모델링 등 다양한 생물정보학 적용 분야에서 널리 사용되는 알고리즘에 집중한다.
• 계산 복잡도, 병렬 처리 가능성, I/O 패턴 등의 알고리즘 특성을 분석하여 확장 가능한 시스템에 적합한지 평가한다.
• 가장 자주 사용되는 알고리즘을 최적화함으로써 생물정보학 공동체 전반에서 성능 향상을 극대화할 수 있음을 강조한다.
• 사용 빈도, 계산 강도, 새로운 스토리지 및 병렬 컴퓨팅 설계에 의한 가속 가능성 등을 바탕으로 알고리즘 최적화 대상을 우선순위 정하는 프레임워크를 제안한다.

실험 결과

연구 질문

• RQ1 생물정보학 연구에서 가장 널리 사용되고 영향력 있는 기계학습 및 데이터 마이닝 알고리즘은 무엇인가?
• RQ2 확장 가능한 계산 전문가들은 생물정보학 응용 프로그램의 성능 향상을 극대화하기 위해 알고리즘 최적화 대상을 어떻게 우선순위 정할 수 있는가?
• RQ3 분산 및 병렬 시스템에서 최적화에 적합한 생물정보학 핵심 알고리즘의 계산적 특성은 무엇인가?
• RQ4 '일반적인 경우를 최적화하라'는 원칙은 생물정보학을 위한 확장 가능한 스토리지 및 계산 시스템 설계에 어떻게 효과적으로 적용될 수 있는가?
• RQ5 생물학 분야의 대용량 데이터를 고려할 때, 향후 확장 가능한 시스템 개발을 위한 가장 유망한 알고리즘 카테고리는 무엇인가?

주요 결과

• 이 연구는 생물정보학에서 가장 자주 사용되는 핵심 알고리즘 카테고리로 분류, 군집, 회귀, 그래픽 모델 기반 학습, 차원 축소를 특정한다.
• 이러한 주요 알고리즘들은 게놈학, 전사체학, 시스템 생물학 분야에서 계산 부하의 상당 부분을 차지한다.
• 저자는 이러한 널리 사용되는 알고리즘을 최적화함으로써 확장 가능한 시스템 설계에 있어 가장 높은 투자 수익률을 얻을 수 있음을 입증한다.
• 논문은 반복 계산, 희소 데이터 처리, I/O 집약적 작업과 같은 알고리즘 패턴이 특정된 방법들 전반에 걸쳐 널리 퍼져 있음을 강조한다.
• 연구 결과는 향후 확장 가능한 인프라는 이러한 주요 워크로드를 고려하여 설계되어야 최대 성능 및 효율성 향상을 달성할 수 있음을 시사한다.
• 이 연구는 생물정보학 연구 공동체의 실제 요구사항과 하드웨어 및 소프트웨어 최적화를 맞추기 위한 시스템 설계자들을 위한 로드맵을 제공한다.