[论文解读] Learning seasonal phytoplankton communities with topic models

Arnold Kalmbach, Heidi M. Sosik+2 more|arXiv (Cornell University)|Sep 1, 2017

Biomedical Text Mining and Ontologies参考文献 6被引用 1

一句话总结

该论文提出了一种非参数的时空主题模型，用于从时间序列分类计数中学习可解释的、稀疏的浮游植物群落结构。通过将群落表示为分类群的概率分布，时间步长表示为群落的混合，该模型能够使用环境变量的简单线性回归准确预测群落和分类群的分布——其性能优于直接预测或主成分分析（PCA）。

ABSTRACT

In this work we develop and demonstrate a probabilistic generative model for phytoplankton communities. The proposed model takes counts of a set of phytoplankton taxa in a timeseries as its training data, and models communities by learning sparse co-occurrence structure between the taxa. Our model is probabilistic, where communities are represented by probability distributions over the species, and each time-step is represented by a probability distribution over the communities. The proposed approach uses a non-parametric, spatiotemporal topic model to encourage the communities to form an interpretable representation of the data, without making strong assumptions about the communities. We demonstrate the quality and interpretability of our method by its ability to improve performance of a simplistic regression model. We show that simple linear regression is sufficient to predict the community distribution learned by our method, and therefore the taxon distributions, from a set of naively chosen environment variables. In contrast, a similar regression model is insufficient to predict the taxon distributions directly or through PCA with the same level of accuracy.

研究动机与目标

• 将浮游植物群落建模为潜在主题的概率混合，而无需对群落结构施加强假设。
• 使用生成概率框架捕捉时间序列数据中分类群的时空共现模式。
• 通过学习更具可解释性的群落表示，提高对分类群分布预测的准确性，该表示比原始数据或PCA更适用于回归分析。
• 证明当基于学习到的群落表示进行训练时，简单的线性回归模型能够有效预测群落分布。

提出的方法

• 该模型采用非参数贝叶斯方法，具体为层次狄利克雷过程，从浮游植物分类计数中学习灵活数量的潜在群落。
• 每个群落表示为分类群上的概率分布，每个时间步长则建模为这些群落的混合。
• 通过在群落分配中施加稀疏性，促进共现分类群的可解释性、生物学上有意义的分组。
• 通过在时间与位置上对群落分配施加结构化先验，整合数据中的时间与空间依赖性。
• 推理过程使用吉布斯采样估计群落分配和主题比例的后验分布。
• 所得的群落表示被用作特征，训练线性回归模型以预测群落和分类群分布。

实验结果

研究问题

• RQ1 非参数主题模型能否在不假设群落结构强假设的前提下，有效从时间序列分类计数中学习可解释的浮游植物群落？
• RQ2 与直接预测或主成分分析（PCA）相比，学习到的群落表示是否能提升简单线性回归模型在环境变量上的预测性能？
• RQ3 当输入为群落分布而非原始分类计数时，线性模型在预测分类群分布方面表现如何？
• RQ4 所学习到的群落在多大程度上反映了浮游植物分类群之间生物学上有意义的共现模式？
• RQ5 在预测群落动态时，该模型对环境变量中的噪声和变异是否具有鲁棒性？

主要发现

• 所提出的主题模型成功地从时间序列数据中学习到稀疏且可解释的浮游植物群落，而无需假设群落数量固定。
• 基于学习到的群落分布训练的线性回归模型，在预测分类群分布方面显著优于基于原始分类计数的模型。
• 该模型优于基于PCA的特征提取方法，表明群落表示比线性降维方法捕捉到更多相关结构。
• 该模型能够提升回归性能，表明学习到的群落编码了数据中具有意义的、可预测的模式。
• 该模型的非参数特性使其能够适应数据中真实的群落数量，避免过拟合或欠拟合。