[논문 리뷰] Expert Opinion Extraction from a Biomedical Database

Ahmed Samet, Thomas Guyet외 4명|arXiv (Cornell University)|2017. 09. 11.

Multi-Criteria Decision Making참고 문헌 3인용 수 24

한 줄 요약

이 논문은 불확실한 생물의학 데이터베이스를 대상으로 한 새로운 의견 마이닝 알고리즘인 OpMiner를 제안한다. 이 알고리즘은 덴스터-셰이퍼 증거 이론을 활용해 전문가의 의견을 질량 함수로 모델링한다. 유능한 민감도 기반의 약속 기반 지원도입을 통해 OpMiner는 분할된 답변 요소가 아닌 보다 정보량이 풍부하고 통합적인 의견 패턴—예를 들어 완전한 믿음 구조—을 추출한다. 이는 실제 생물의학 데이터에서 기존 방법에 비해 패턴의 품질을 크게 향상시킨다.

ABSTRACT

In this paper, we tackle the problem of extracting frequent opinions from uncertain databases. We introduce the foundation of an opinion mining approach with the definition of pattern and support measure. The support measure is derived from the commitment definition. A new algorithm called OpMiner that extracts the set of frequent opinions modelled as a mass functions is detailed. Finally, we apply our approach on a real-world biomedical database that stores opinions of experts to evaluate the reliability level of biomedical data. Performance analysis showed a better quality patterns for our proposed model in comparison with literature-based methods.

연구 동기 및 목표

• 기존의 패턴 마이닝 기법이 불확실한 데이터베이스에서 분할된 답변 요소만 추출하는 데에 한계가 있다는 점을 해결하기 위해, 완전한 전문가 의견을 추출할 수 있도록 하는 것.
• 의료 전문가의 의견을 증거 기반 데이터베이스에서 질량 함수(기본 믿음 할당)로 모델링하여 불확실성과 믿음 수준을 더 정확하게 표현하는 것.
• 약속 관계(신뢰도 순서)를 기반으로 한 새로운 지원도 measure를 도입하여 빈도 높은 의견 패턴을 식별하는 것.
• 실제 생물의학 전문가 데이터베이스에서 빈도 높은 의견 패턴을 효율적으로 마이닝하기 위한 OpMiner 알고리즘을 설계하고 평가하는 것.
• 의견 패턴을 완전한 믿음 구조로 표현할 경우, 기존의 답변 기반 패턴에 비해 더 정보량이 많고 신뢰도가 높다는 것을 입증하는 것.

제안 방법

• 의견 마이닝 기법은 전문가의 의견을 가능한 평가 결과의 프레임에 대해 기본 믿음 할당(BBAs)으로 모델링하여 믿음의 정도를 표현한다.
• 신뢰도 기반 약속을 기반으로 한 새로운 지원도 measure를 도입하여, 패턴이 의견의 약속 수준과 일관성이 있을 경우에만 빈도 높은 패턴로 간주한다.
• 약속 기반 지원도의 반-단조성 성질을 활용해 후보 패턴을 효율적으로 추출함으로써 계산 오버헤드를 줄인다.
• 알고리즘은 전체 BBAs를 원자적 항목으로 처리하여 전문가 의견의 전체 구조를 해체하지 않고 유지한다.
• 필요에 따라 질량 분포를 공백 믿음 방향으로 조정할 수 있도록 신뢰도 요소(α)를 도입하여 불확실성에 대한 강건성을 향상시킨다.
• 실제 생물의학 데이터베이스의 전문가 평가 결과를 대상으로 OpMiner를 EDMA 및 U-Apriori와 비교하여 패턴 수, 계산 시간, 해석 가능성 면에서 평가한다.

실험 결과

연구 질문

• RQ1 불확실한 데이터베이스에서 의견 마이닝을 어떻게 재정의하여 분할된 답변 요소가 아닌 완전한 전문가 의견을 포괄할 수 있는가?
• RQ2 증거 기반 데이터베이스에서 약속 관계를 기반으로 한 어떤 지원도 measure가 효과적으로 빈도 높은 의견 패턴을 식별할 수 있는가?
• RQ3 OpMiner는 EDMA 및 U-Apriori와 같은 기존 방법에 비해 패턴 품질과 계산 효율성 면에서 어떻게 비교되는가?
• RQ4 완전한 믿음 구조(BBAs)가 패턴 마이닝에서 원자적 항목으로 사용될 경우, 집합 요소보다 더 정보량이 많은 결과를 도출할 수 있는가?
• RQ5 추출된 의견 패턴은 생물의학 데이터 소스의 해석 가능성과 신뢰도 평가에 어느 정도 향상되는가?

주요 결과

• OpMiner는 분해된 집합 요소가 아닌 완전한 BBAs를 원자적 항목으로 사용함으로써 EDMA 및 U-Apriori보다 더 정보량이 풍부한 빈도 높은 패턴을 생성한다.
• OpMiner에서 추출된 패턴 수는 EDMA보다 현저히 낮으며, 이는 EDMA가 모든 속성의 부분집합에서 마이닝을 수행하기 때문이며, 이는 더 나은 추출 및 중복 감소를 의미한다.
• OpMiner는 계산 효율성이 뛰어나, 특히 높은 minsup 임계값에서 EDMA 및 U-Apriori보다 실행 시간이 짧다.
• OpMiner에서 도출된 최상의 패턴은 명확하고 해석 가능한 의견을 제공한다—예를 들어, 여러 질문에 대해 '중간' 수준의 높은 신뢰도를 가진다. 반면 EDMA의 패턴은 '높음'과 '중간' 사이의 애매한 혼란을 보인다.
• OpMiner의 패턴은 직접적인 신뢰도 평가가 가능하다—예를 들어, 'S1 소스는 중간 수준으로 신뢰할 수 있다'—반면 EDMA의 출력은 논리적 합성된 답변 집합으로 인해 복잡한 해석이 필요하다.
• 본 연구는 BBAs로 모델링된 의견 패턴이 생물의학 전문가 데이터베이스에서 기존의 답변 기반 패턴에 비해 더 높은 품질의 실질적인 통찰을 제공한다는 것을 확인한다.