마이크로어레이 데이터의 부공간 대조 샘플집단 마이닝

국문 초록 (Abstract)

?;?;이 논문에서는 마이크로어레이 데이터에 대한 분석 문제로서 부공간 대조집단 식별 문제를 소개하고, 이를 해결하는 방법을 제안한다. 제안한 방법은 부공간에서 속성값이 대조적인 집단의 쌍들을 식별하기 위해, 먼저 각 속성에 대해서 분석자가 지정한 대조영역의 값을 갖는 두 개의 샘플집단을 선택한 다음, 연관규칙 마이닝과 유사한 형태의 방법으로 부공간의 차원을 점진적으로 확대해 가면서 대조집단을 추출한다. 마이크로어레이 데이터는 수천개 이상의 유전자에 대한 발현정보를 포함할 수 있는 다차원 데이터이기 때문에, 대조적인 발현특성을 갖는 유전자집합에 대한 샘플집단의 쌍을 모두 부차원에 대해서 질의를 통해 식별하는 것은 부담이 되지만, 제안한 방법을 사용하면 분석자가 지정한 대조영역 값의 범위를 기준으로 하여 모든 가능한 부공간에서의 대조집단을 효과적으로 추출할 수 있다.

다국어 초록 (Multilingual Abstract)

In this paper, we introduce the subspace contrasting group identification problem and propose an algorithm to solve the problem. In order to identify contrasting groups, the algorithm first determines two groups of which attribute values are in one of the contrasting ranges specified by the analyst, and searches for the contrasting groups while increasing the dimension of subspaces with an association rule mining strategy. Because the dimension of microarray data is likely to be tens of thousands, it is burdensome to find all contrasting groups over all possible subspaces by query generation. It is very useful in the sense that the proposed method allows to find those contrasting groups without analyst’s involvement.

목차 (Table of Contents)

• 요약
• Abstract
• 1. 서론
• 2. 관련연구
• 3. 부공간 대조집단 마이닝
• 4. 구현 및 적용
• 5. 결론
• 참고문헌
• 저자소개

참고문헌 (Reference)

1 황경순, "마이크로어레이 데이터에 대한 퍼지 경계 지역 클러스터링" 2009

2 박대훈, "마이크로 어레이 데이터에 적용된 2단계 K-means 클러스터링의 소개" 한국지능시스템학회 17 (17): 167-172, 2007

3 "The Human Genome at Ten" 464 : 649-650, 2010

4 M. Hegland, "The Apriori Algorithm–a Tutorial, in Mathem atics and Computation in Imaging Science and Information Processing" World Scientific 209-262, 2007

5 L. Parsons, "Subspace Clsutering for High Dimensional Data: A Review" 6 (6): 90-105, 2004

6 R. Aggrawal, "Mining Association Rules between Sets of Items in Large Databases" 22 (22): 207-216, 1993

7 S. Goil, "Mafia: Efficient and scalable subspace clustering for very large data sets" Northwe stern University 1999

8 T. H. Cormen, "Introduction to Algorithms" The MIT Press 2001

9 T. A. Brown, "Genomes" John Wiley & Sons 1999

10 K. M. Lee, "Fuzzy Set-based Microarray Data Analysis Techniques for Interesting Block Identification" 2009

11 박종수, "Fast Algorithms for Projected Clustering" ACM SIGMOD 61-72, 1999

12 S. Draghici, "Data Analysis Tools for DNA Microarrays" Chapman & Hall/CRC 2003

13 J. H. Friedman, "Clustering objects on subsets of attributes"

14 R. Aggrawal, "Automatic subspace clustering of high dimensional data for data mining applications" ACM Press 94-105, 1998