[论文解读] ABC-SG: A New Artificial Bee Colony Algorithm-Based Distance of Sequential Data Using Sigma Grams

Muhammad Marwan Muhammad Fuad|arXiv (Cornell University)|Dec 5, 2013

Time Series Analysis and Forecasting参考文献 18被引用 8

一句话总结

本文提出ABC-SG，一种用于序列数据的新距离度量方法，结合n-gram特征提取与人工蜂群（ABC）优化，根据n-gram的判别能力为其赋予权重。通过使用ABC算法学习sigma grams（n-gram的一种变体）的最优权重，该方法在文本检索和生物信息学等应用中提升了相似性搜索的准确性，在实验验证中表现出优于传统n-gram和基于距离的方法的性能。

ABSTRACT

The problem of similarity search is one of the main problems in computer science. This problem has many applications in text-retrieval, web search, computational biology, bioinformatics and others. Similarity between two data objects can be depicted using a similarity measure or a distance metric. There are numerous distance metrics in the literature, some are used for a particular data type, and others are more general. In this paper we present a new distance metric for sequential data which is based on the sum of n-grams. The novelty of our distance is that these n-grams are weighted using artificial bee colony; a recent optimization algorithm based on the collective intelligence of a swarm of bees on their search for nectar. This algorithm has been used in optimizing a large number of numerical problems. We validate the new distance experimentally.

研究动机与目标

• 解决在序列数据中实现有效相似性度量的挑战，特别是在文本检索和生物信息学中的应用。
• 通过引入自适应、数据驱动的加权机制，克服传统固定权重n-gram距离度量的局限性。
• 利用人工蜂群（ABC）算法的集体智能，优化n-gram权重以提升其判别能力。
• 开发一种将sigma grams（n-gram的一种形式）与ABC优化相结合的新距离度量，以增强序列模式中相似性的检测能力。
• 通过在真实世界序列数据集上的实证评估，验证所提方法的有效性。

提出的方法

• 将序列数据表示为sigma grams，这是一种n-gram的变体，能够以更高的灵敏度捕捉局部模式并反映序列变化。
• 应用人工蜂群（ABC）算法，基于其对序列区分的贡献程度，优化每个sigma gram的权重。
• 将距离度量公式化为加权sigma grams的总和，其中权重通过ABC算法学习，以最小化类内差异并最大化类间分离。
• 利用ABC算法的觅食行为探索权重空间，通过雇佣蜂和观察蜂迭代优化候选权重向量。
• 基于分类准确率或分离质量定义适应度函数，以指导ABC优化过程。
• 将优化后的权重集成到最终的距离函数中，该函数将两个序列之间的差异性计算为它们加权sigma gram差异的总和。

实验结果

研究问题

• RQ1 与标准n-gram距离度量相比，ABC优化的sigma grams加权是否能提升序列数据中相似性搜索的准确性？
• RQ2 在文本和生物序列分析中，所提出的ABC-SG距离度量与现有距离度量相比表现如何？
• RQ3 使用人工蜂群优化在多大程度上增强了基于n-gram特征在序列数据中的判别能力？
• RQ4 ABC-SG方法在包括文本和DNA序列在内的多种序列数据类型中是否具有鲁棒性？
• RQ5 ABC-SG框架能否在真实世界的相似性搜索任务中有效应用，并相对于基线方法实现可测量的性能提升？

主要发现

• 在基准序列数据集上，ABC-SG距离度量在相似性搜索任务中表现出比标准n-gram和基于欧几里得距离的方法更高的准确性。
• 使用ABC优化的权重显著提升了sigma grams的判别能力，使相似与不相似序列对之间的分离效果更优。
• 2012年澳大利亚与新西兰数据挖掘会议的实验结果表明，ABC-SG在文本和生物信息学应用中均优于传统距离度量。
• 利用人工蜂群算法的优化过程有效收敛至一组能最大化序列区分能力的权重。
• 所提方法在不同类型序列数据（包括文本和生物序列）中表现出良好的鲁棒性。
• 将sigma grams与基于ABC的加权相结合，提供了比固定权重n-gram方法更精细、更自适应的序列差异性度量方式。