[论文解读] Biclustering Algorithms Based on Metaheuristics: A Review

Adán José-García, Julie Jacques+2 more|arXiv (Cornell University)|Mar 30, 2022

Sustainable Supply Chain Management被引用 4

一句话总结

本文全面综述了基于元启发式的双聚类算法，分析了单目标与多目标优化框架中的编码方案、目标函数及变异算子。文章识别出双聚类表示与评估中的关键挑战，强调了多目标与多目标进化算法的潜力，并概述了新兴研究方向，如三聚类、异质数据及多视角双聚类。

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.

研究动机与目标

• 提供对元启发式双聚类方法的系统性综述，弥补现有文献中的空白。
• 分析基于元启发式的双聚类的核心组件，包括表示方法、目标函数及变异算子。
• 比较双聚类应用中单目标与多目标优化策略的性能差异。
• 识别新兴研究挑战，如三聚类、异质数据及多视角双聚类。
• 倡导在双聚类研究中采用标准化基准与具有生物意义的评估指标。

提出的方法

• 将双聚类问题归类为NP难的组合优化任务，需采用启发式求解方法。
• 综述编码方案，包括整数表示与二进制表示，重点分析其在单个与多个双聚类编码中的适用性。
• 分析基于双聚类质量度量（如均方残差、方差及一致性模型（加法型、乘法型））的目标函数。
• 研究遗传算法、模拟退火及其他受自然启发的元启发式算法中的变异算子，如变异与交叉操作。
• 评估单目标元启发式算法（如GA、PSO、ACO）在单次优化一个双聚类质量指标时的性能。
• 探索多目标与多目标进化算法（如NSGA-III、MOEA/D）在同时优化多个双聚类标准方面的应用。

实验结果

研究问题

• RQ1 在不同数据类型下，各类元启发式算法在双聚类质量与计算效率方面的表现如何比较？
• RQ2 在元启发式框架中，表示与演化双聚类的最有效编码方案与变异算子是什么？
• RQ3 单目标与多目标优化策略在发现多样化且有意义的双聚类方面的能力有何差异？
• RQ4 在评估双聚类结果时，尤其是在生物或统计显著性方面，主要挑战是什么？
• RQ5 在三聚类与多视角数据方面，哪些未来研究方向最有可能推动基于元启发式的双聚类技术发展？

主要发现

• 遗传算法、粒子群优化与蚁群优化等元启发式方法可在合理时间内有效求解NP难的双聚类问题。
• 相较于二进制表示，基于整数的表示方法在编码双聚类时通常更有效，尤其是在单个解中编码多个双聚类时。
• NSGA-III与MOEA/D等多目标元启发式方法在同时优化多个双聚类质量标准方面展现出潜力，但解的选择仍具挑战。
• 目前尚无标准化的双聚类基准数据集，限制了算法间的公平比较，亟需开发全面且多样的测试套件。
• 三聚类——将双聚类扩展至包含时间维度——在多目标框架中仍研究不足，是重要的研究机遇。
• 基于元启发式的双聚类在异质数据（如电子健康记录）中的应用有限，但前景广阔，主要受限于数据稀疏性，且需高效的枚举策略。