[论文解读] Turning CARTwheels: An Alternating Algorithm for Mining Redescriptions

Deept Kumar, Naren Ramakrishnan+2 more|ArXiv.org|Nov 27, 2003

Data Mining Algorithms and Applications参考文献 16被引用 11

一句话总结

本文提出CARTwheels，一种交替算法，通过从相反方向生长两棵分类树来挖掘重描述——即使用不同词汇描述的数据子集之间的等价或近似等价集合论关系。该方法能够有效发现跨多样化描述符的隐晦、高层次模式，在生物信息学中成功构建了10个基因的环形重描述链，并将Jaccard系数提升至1.0。

ABSTRACT

We present an unusual algorithm involving classification trees where two trees are grown in opposite directions so that they are matched at their leaves. This approach finds application in a new data mining task we formulate, called "redescription mining". A redescription is a shift-of-vocabulary, or a different way of communicating information about a given subset of data; the goal of redescription mining is to find subsets of data that afford multiple descriptions. We highlight the importance of this problem in domains such as bioinformatics, which exhibit an underlying richness and diversity of data descriptors (e.g., genes can be studied in a variety of ways). Our approach helps integrate multiple forms of characterizing datasets, situates the knowledge gained from one dataset in the context of others, and harnesses high-level abstractions for uncovering cryptic and subtle features of data. Algorithm design decisions, implementation details, and experimental results are presented.

研究动机与目标

• 为解决生物信息学等高通量科学领域中整合多种多样化数据描述符的挑战。
• 将重描述挖掘形式化为一种新型数据挖掘任务，以发现通过不同词汇定义的子集之间的等价关系。
• 开发一种高效、基于树的算法，自动识别具有高Jaccard相似度的集合论表达式（例如交集、差集）。
• 通过生成新的、有意义的特征来实现构造性归纳，弥合数据中概念与描述之间的鸿沟。
• 通过识别以不同方式描述的共享对象子集，支持跨数据集的知识整合。

提出的方法

• CARTwheels在X描述符侧和Y描述符侧交替生长两棵分类树，通过匹配叶节点识别潜在的重描述。
• 该算法使用对称Jaccard系数作为主要评估指标：$ \text{Jaccard}(E,F) = \frac{|E \cap F|}{|E \cup F|} $，其中E和F是基于描述符的集合论表达式。
• 通过语法偏置约束表达式复杂度（例如，X中两个描述符的交集，Y中集合的并集或差集），以确保可计算性。
• 该方法利用熵和决策树归纳原理，引导树生长以实现高相似度的叶节点匹配。
• 支持使用集合运算（并集、交集、差集）对重描述进行精炼和强化，超越简单的描述符匹配。
• 该算法旨在处理精确与近似重描述，重点识别具有生物学或科学意义的等价关系。

实验结果

研究问题

• RQ1 如何自动发现使用不同词汇描述的、等价或近似等价的数据子集？
• RQ2 何种算法方法能够高效挖掘跨多个描述符族的集合论关系？
• RQ3 如何基于其强度与生物学相关性对重描述进行评估与排序？
• RQ4 交替树归纳能否有效揭示复杂、多描述符数据集中细微的高层次模式？
• RQ5 重描述在多大程度上能够弥合数据的抽象层级，例如从基因到通路或生物过程？

主要发现

• CARTwheels成功发现了一个涉及三个实验比较中10个基因的环形重描述链（R7），表明其在应激条件下存在协调的生物活动。
• 该算法在一次优化后的重描述中实现了完美的Jaccard系数1.0：‘拥有宣布核武器的国家’ ∩ ‘国防预算 > 300亿美元’ ⇔ ‘联合国安理会常任理事国’ – ‘具有共产主义历史的国家’。
• 一个包含X中两个描述符与Y中一个描述符的重描述，其Jaccard系数达到0.625，经描述符优化后由初始的0.428显著提升。
• 该方法在真实生物数据集中发现了一个7基因的重描述，证明其在识别功能一致的基因集合方面的实用性。
• 该算法在涉及交集与差集运算的复杂重描述中，有效识别出美国、英国、法国三个国家的匹配。
• 该方法在生物信息学中整合异构描述符方面表现出色，揭示了跨越数据抽象层次的、具有生物学意义且非显而易见的关系。