[論文レビュー] Robust variable selection in the framework of classification with label noise and outliers: Applications to spectroscopic data in agri-food

Andrea Cappozzo, Ludovic Duponchel+2 more|arXiv (Cornell University)|Oct 20, 2020

Spectroscopy and Chemometric Analyses参考文献 63被引用数 12

ひとこと要約

本稿では、高次元の分光的分類において、特徴選択、外れ値検出、ラベルノイズ同定を同時に実行するロバストな変数選択手法、ステップワイズ REDDA を提案する。本手法は、最小限の波長数（3–5）で競争力ある予測精度を達成し、農産食品データセットにおける汚染要因に対しても効果的に対処できる。PLS-DA や SVM といった標準的手法と比較して、ノイズが多い条件下でも優れた性能を示す。

ABSTRACT

Classification of high-dimensional spectroscopic data is a common task in analytical chemistry. Well-established procedures like support vector machines (SVMs) and partial least squares discriminant analysis (PLS-DA) are the most common methods for tackling this supervised learning problem. Nonetheless, interpretation of these models remains sometimes difficult, and solutions based on feature selection are often adopted as they lead to the automatic identification of the most informative wavelengths. Unfortunately, for some delicate applications like food authenticity, mislabeled and adulterated spectra occur both in the calibration and/or validation sets, with dramatic effects on the model development, its prediction accuracy and robustness. Motivated by these issues, the present paper proposes a robust model-based method that simultaneously performs variable selection, outliers and label noise detection. We demonstrate the effectiveness of our proposal in dealing with three agri-food spectroscopic studies, where several forms of perturbations are considered. Our approach succeeds in diminishing problem complexity, identifying anomalous spectra and attaining competitive predictive accuracy considering a very low number of selected wavelengths.

研究の動機と目的

• 農産食品分類に用いられる高次元分光データにおけるラベルノイズおよび外れ値の課題に対処すること。
• 前処理を必要とせず、汚染に強いモデルベースの変数選択手法を開発すること。
• 予測精度を維持しつつ、最も情報量の多い波長のみを選択することで問題の複雑さを低減すること。
• 既知の汚染を伴う実世界の農産食品データセットを用いて、本手法の有効性を示すこと。
• データ損失やコストを最小限に抑えるために、手動によるスペクトル範囲選択の代替として信頼性の高い自動手法を提供すること。

提案手法

• 本手法は、クラス条件付き密度に多変量正規分布を仮定するモデルベース分類フレームワークに基づく。
• 外れ値および誤分類されたサンプルの影響を軽減するため、パラメータ（平均、共分散、事前確率）のロバスト推定手順を用いる。
• 変数選択は、ロバスト尤度比検定に従うステップワイズ前向き選択プロセスによって実施される。
• 各観測値がパラメータ推定値および分類性能に与える影響を評価することで、外れ値およびラベルノイズ検出を統合的に実行する。
• 前処理を施さずに、スペクトルの完全な情報を保持したまま、原始スペクトル上で直接処理が行われる。
• 最終的なモデルは、汚染下でも分類精度を最大化する最小限の波長集合を選択する。

実験結果

リサーチクエスチョン

• RQ1 提案手法のロバストな変数選択法は、分光的分類におけるラベルノイズ下でどのように性能を発揮するか？
• RQ2 前処理を施さずに、外れ値および誤分類されたサンプルの影響を検出し、低減できるか？
• RQ3 わずか数波長（少数）に制限した場合、本手法の予測性能はどの程度か？
• RQ4 汚染を含むデータセットにおいて、本手法は PLS-DA や SVM といった標準的手法と比較してどの程度優れているか？
• RQ5 手動によるスペクトル範囲選択は、情報量の多い波長を無視するリスクをどの程度有するか？

主な発見

• オリーブオイルデータセットでは、ステップワイズ REDDA は、縮小スペクトル範囲で 80.5%、全スペクトル範囲で 80.2% の分類精度を達成し、PLS-DA や SVM を上回った。
• 本手法は、縮小範囲では 3 波長、全範囲では 5 波長のみを選択し、問題の複雑さを顕著に低減した。
• 全範囲では特徴数が 600 倍に増加したにもかかわらず、ステップワイズ REDDA は一貫した精度を維持したが、SVM や PLS-DA は顕著な性能低下を示した。
• 選択された波長（例：704 cm⁻¹、1726 cm⁻¹、3366 cm⁻¹）は、C–H の曲げ振動やカルボニルの伸張振動といった化学的に意味のある吸収を示した。
• 本手法は、情報のない領域（例：2400–2250 cm⁻¹）を効果的に同定・除外し、高波数領域における判別能のある情報を保持した。
• 手動によるスペクトル範囲選択は、全範囲解析における 3000 cm⁻¹ 以上の波長が持つ高い判別力から、貴重な情報を無視するリスクを示している。