Multi-view biclustering via non-negative matrix tri-factorisation

この論文は、事前のクラスタ数知識を必要とせず多視点データから重なり合う部分集合を特定する新しい非負行列三分解に基づく手法「ResNMTF」を提案し、クラスタリング評価指標として「バイシルエットスコア」を拡張して導入した研究です。

要約

📰 タイトル：「多面的なデータ」を整理する新しい魔法と、その評価基準

1. 背景：なぜこの研究が必要なのか？

現代では、同じ対象について複数の異なる視点（ビュー）からデータを集めることが当たり前になっています。

• 例え話： ある人物について、「顔写真（視覚）」「音声データ（聴覚）」「日記（言語）」という 3 つの異なる視点から情報を集めたとしましょう。これらをバラバラに分析するのではなく、「顔写真の特定のグループ」と「日記の特定のグループ」がどう結びついているかを同時に探したいのです。

これを「マルチビュー・バイクラスタリング（多視点・双方向クラスタリング）」と呼びますが、従来の方法には 2 つの大きな問題がありました。

1. ノイズに弱い： 一部のデータが間違っていたり（ノイズ）、不完全だったりすると、全体の分析結果が歪んでしまう。
2. 評価基準がない： 「このグループ分けは正しいのか？」を判断する、バイクラスタリング専用の簡単な物差しがなかった。

2. 解決策①：新しい整理術「ResNMTF」

著者たちは、ResNMTFという新しいアルゴリズム（整理のルール）を提案しました。

• どんな仕組み？
  複数の視点（ビュー）から集めたデータを、非負の行列（マイナスの数を使わない数学的な箱）を使って分解します。
• 何がすごい？
  • 柔軟な結合： 「A と B は同じグループにするが、C は別にする」といった、視点ごとの複雑な関係性を自由に設定できます。
  • ノイズに強い： 悪いデータ（ノイズ）が含まれていても、それが全体の結果を歪めるのを防ぎます。
  • 自動調整： 「グループはいくつあるべきか？」という答えを事前に知らなくても、データから自動的に最適な数を見つけ出します。
  • 不安定なグループの排除： 一時的な偶然でできた「偽物のグループ」を、データの一部を抜き取って何度も試す（リサンプリング）ことで見つけ出し、削除します。

3. 解決策②：新しい評価基準「バイシルエットスコア」

グループ分けがうまくいったかどうかを判断するための新しい「物差し」も作りました。これをバイシルエットスコアと呼びます。

• 従来の「シルエットスコア」の限界：
  従来の方法は、データ全体を「1 つの大きな輪」の中で評価していました。しかし、バイクラスタリングは「行（人）」と「列（特徴）」の両方でグループを作るため、従来の方法では正確に測れませんでした。
• 新しい「バイシルエットスコア」の仕組み：
  • 例え話： 音楽フェスで、特定の「ジャンル（ロック）」と「特定の会場（ステージ A）」に集まった人々のグループを評価すると想像してください。
  • このスコアは、**「そのグループ内の人々が、同じジャンル・同じ会場でどれだけ仲良く（密に）集まっているか」と、「他のグループの人々とどれだけ離れているか」**を、そのグループが属する「列（特徴）」だけを使って評価します。
• メリット：
  • 事前の知識なしに、どのグループ分けが最も「まとまりが良いか」を数値化できます。
  • グラフとして可視化できるため、どのグループが怪しいか、どこが弱いかが一目でわかります。

4. 実験結果：実際にどうだった？

研究者たちは、人工的に作ったデータ（正解がわかっているもの）と、実際のニュース記事や遺伝子データ（実データ）を使ってテストを行いました。

• 結果：
  • 提案した ResNMTF は、既存の他の方法（GFA や iSSVD など）よりも高い精度でグループを見つけ出しました。
  • 特に、データにノイズが含まれている場合や、グループが重複している場合でも、安定して良い結果を出しました。
  • 提案した「バイシルエットスコア」は、実際の正解（F スコア）と非常に高い相関があり、「どのグループ分けが最も優れているか」を、正解を見ずに推測するツールとして非常に優秀であることが証明されました。

5. まとめ：この研究の意義

この論文は、**「複雑で多面的なデータを、ノイズに強く、かつ自動的に整理する新しい方法」と、「その整理結果の良し悪しを判断する新しい物差し」**の両方を提供しました。

• 医療の例： がんの患者さんについて、遺伝子データ、タンパク質データ、臨床データなど複数の視点から分析し、「この患者さんは A というタイプで、B という特徴がある」という精密な分類を、人間が手作業でやるよりも正確かつ自動的にできるようになる可能性があります。
• ビジネスの例： 顧客の購買履歴、SNS の投稿、アプリの利用ログなどを統合し、「このグループの顧客は、特定の製品を特定のタイミングで好む」といった隠れたパターンを発見するのに役立ちます。

つまり、**「データの山から、真実の宝くじ（意味のあるグループ）を、ノイズに惑わされずに、自動的に見つけ出すための新しいコンパスと地図」**が完成したと言えます。

技術概要

この論文は、多視点（Multi-view）データに対する新しい二重クラスタリング（Biclustering）手法「ResNMTF」と、二重クラスタリングの評価指標として提案された「バイシルエットスコア（Bisilhouette Score）」に関する研究です。以下に、問題設定、手法、主要な貢献、結果、および意義について詳細な技術的サマリーを記述します。

1. 問題設定と背景

• 多視点データの増加: 遺伝子発現、メチル化、タンパク質など、同じ対象（個体や細胞）から複数のソース（視点）で収集されるデータが増加しています。
• 二重クラスタリングの課題: 従来のクラスタリングは行（サンプル）または列（特徴）のどちらか一方のみをクラスタリングしますが、二重クラスタリングは行と列を同時にクラスタリングし、特定の行のグループとそれに対応する列のグループ（バイクラスタ）を発見します。
• 既存手法の限界:
  • 既存の多視点二重クラスタリング手法は、視間の関係性（共有される行、共有される列、またはその組み合わせ）を柔軟に扱えないものが多い。
  • 多くの手法はバイクラスタの数を事前に指定する必要があり、真の数が未知の非教師あり設定では困難。
  • 二重クラスタリング特有の「非網羅的（すべての行/列がクラスタに属さない）」や「非排他的（行/列が複数のクラスタに属する）」な構造を適切に評価する内在的指標（Intrinsic measure）が存在しない。
  • 視の統合において、ノイズの多い視が結果を歪めるリスクがある。

2. 提案手法：ResNMTF (Restrictive Non-negative Matrix Tri-Factorisation)

著者らは、非負行列三乗分解（NMTF）に基づいた新しい多視点二重クラスタリング手法 ResNMTF を提案しました。

• 数理モデル:
  • 各視点 $v$ のデータ行列 $X^{(v)}$ を $X^{(v)} \approx F^{(v)} S^{(v)} (G^{(v)})^T$ と分解します。
    • $F^{(v)}$: 行クラスタ割り当て行列
    • $G^{(v)}$: 列クラスタ割り当て行列
    • $S^{(v)}$: クラスタ間の相互作用行列
  • 制約付き正則化: 異なる視点間の行列（$F, S, G$）に対して、正則化項（$\|F^{(v)} - F^{(w)}\|^2$ など）を導入します。これにより、特定の視間で行や列のクラスタを「共有」させるか、独立させるかを柔軟に制御できます（例：ある視は同じ遺伝子、別の視は同じ個体を共有するなど）。
  • 目的関数: 分解誤差と正則化項の和を最小化します。
• 最適化:
  • 非凸最適化問題に対して、乗法的更新則（Multiplicative Update Rules）を用いて局所解を探索します。
  • 特異値分解（SVD）に基づく初期化手法を提案し、収束の安定性を確保しています。
• バイクラスタ数の自動決定とノイズ除去:
  • バイクラスタ数の決定: 事前知識なしで最適なクラスタ数 $K$ を決定するため、複数の $K$ に対してバイシルエットスコアを最大化する値を選択します。
  • 偽陽性バイクラスタの除去: リサンプリング（シャッフル）されたノイズデータに対して得られた因子分布と、実データからの分布を Jensen-Shannon 発散（JSD）で比較し、統計的に有意なバイクラスタのみを保持します。
• 安定性解析:
  • サブサンプリングを行い、得られたバイクラスタがデータの変動に対して安定しているかを評価します。不安定なバイクラスタは除去されます。

3. 主要な貢献：バイシルエットスコア (Bisilhouette Score)

二重クラスタリングの評価とハイパーパラメータ調整のための新しい内在的指標を提案しました。

• 従来のシルエットスコアの拡張:
  • 通常のシルエットスコアはクラスタ内の凝集度と他のクラスタからの分離度を評価しますが、二重クラスタリングでは「行クラスタ」と「列クラスタ」の両方を同時に考慮する必要があります。
  • 計算方法: 特定のバイクラスタ $(R_k, C_k)$ について、データ行列を列 $C_k$ に部分集合化し、その部分行列上で行 $R_k$ に対するシルエット係数を計算します。これをすべてのバイクラスタで平均化します。
• 特徴:
  • 非網羅的・非排他的なバイクラスタに対応可能。
  • 教師なし設定でのバイクラスタ数の決定や、異なる手法間の比較に使用可能。
  • 可視化ツールとしても機能し、どのバイクラスタが明確に分離されているかを直感的に把握できます。

4. 実験結果

合成データおよび実データ（3Sources, BBCSport, A549, TCGA）を用いた広範な実験が行われました。

• 性能比較:
  • ResNMTF は、単一視点の NMTF、および既存の多視点手法（iSSVD, GFA）と比較して、多くのシナリオで優れた性能（F-score, Relevance）を示しました。
  • 特に、視間の関係性が複雑な場合や、ノイズレベルが高い場合でも安定した結果を得ています。
  • 既存手法（iSSVD, GFA）は、ノイズの増加やクラスタ数の増加に対して性能が低下する傾向がありましたが、ResNMTF はよりロバストでした。
• バイシルエットスコアの有効性:
  • バイシルエットスコアは、外部指標（F-score）と高い相関（Pearson 相関 0.944）を示し、最適なバイクラスタ数や手法を選択する際に有効であることが確認されました。
  • 従来のシルエットスコアよりもバイクラスタの評価に適しており、特に A549 データセットなどでは、従来の指標よりも F-score との相関が大幅に改善されました。
  • ただし、安定性解析の閾値（$\omega$）の調整においては、バイシルエットスコアが「最も強いバイクラスタのみを残す」傾向があるため、必ずしも最適な選択ができるとは限りませんでした。

5. 意義と結論

• 柔軟な多視点統合: ResNMTF は、視間の共有関係（行のみ、列のみ、両方、またはなし）を任意に指定できるため、多様な生物学的・社会的データ構造に適応可能です。
• 教師なし学習の強化: バイクラスタ数の事前指定が不要であり、ノイズや不安定なクラスタを自動的に除去する仕組みを持つため、実用的な教師なし学習ツールとして機能します。
• 評価指標の革新: 二重クラスタリング分野において長年欠けていた、構造を考慮した内在的評価指標（バイシルエットスコア）を提供しました。これにより、ハイパーパラメータのチューニングや手法の比較が容易になりました。
• 実用性: 遺伝子発現データやニュース記事データなど、多様な実データセットで有効性が実証されており、オープンソースの R パッケージとして提供されています。

総じて、この論文は多視点二重クラスタリングの手法論と評価基準の両面において重要な進展をもたらしたものです。