---
type: paper
slug: junghye-lee-2021-mb-ranking-gene
title: >-
  An efficient multivariate feature ranking method for gene selection in
  high-dimensional microarray data
authors:
  - '[[junghyelee]]'
  - '[[inyoung-choi]]'
  - '[[chi-hyuck-jun]]'
year: 2021
venue: '[[expert-systems-with-applications]]'
pages: '113971'
doi: 10.1016/j.eswa.2020.113971
categories:
  - '[[bioinformatics]]'
methods:
  - '[[markov-blanket]]'
  - '[[multivariate-feature-ranking]]'
  - '[[feature-selection]]'
themes:
  - '[[gene-selection]]'
  - '[[microarray-classification]]'
  - '[[high-dimensional-data]]'
aliases: []
last_updated: '2026-05-20T02:01:15+09:00'
---
# An efficient multivariate feature ranking method for gene selection in high-dimensional microarray data

*[[junghyelee]], [[inyoung-choi]], [[chi-hyuck-jun]] (2021)* · [[expert-systems-with-applications]] · [DOI ↗](https://doi.org/10.1016/j.eswa.2020.113971)

> [[junghyelee]] *실타래 1 (Feature Selection / MB) 완성형* — 67 회 인용. **MB 기반 *멀티변량 feature ranking*** — 단변량 ranking (relevance only) 의 한계 (redundancy 미고려) 를 MB 의 *minimal sufficient set* 으로 보완. 6 개 암 분류 마이크로어레이 데이터에서 단변량 ranking 보다 우월 + 다른 멀티변량 ranking 보다 *데이터 효율 우월*.

- **RQ**: 마이크로어레이 *고차원 + 적은 sample* 환경에서 *효율적인 멀티변량 feature ranking* 은? 단변량 ranking 의 *redundancy 문제* 를 MB 로 해결 가능한가?
- **방법론**: MB 의 *공식 relevance 정의* 를 *feature ranking method* 로 embed
- **데이터**: 6 개 암 분류 마이크로어레이 데이터셋 (수만 features, 수십-수백 samples)
- **주요 발견**: (1) **MB-ranking > 단변량 ranking** — 6 데이터셋 일관 우위. (2) MB-ranking 의 *데이터 효율* 도 우월 — 다른 멀티변량 ranking 보다 적은 samples 로 robust ranking. (3) Multiclass classification 도 처리 가능.
- **시사점**: 마이크로어레이 + 유전체 분석에 MB-ranking 의 *실용성*. 비암 도메인 (이미지, 텍스트) 의 *고차원 ranking* 에도 확장 가능.

![고차원 마이크로어레이의 gene selection 을 위한 MB 기반 멀티변량 ranking 구조.](/papers/202103_LeeJ_An_efficient_multivariate_feature_ranking_method_for_gene_selection_in_high_dimensional_microarray_data/fig1.png)

## 요약

이 paper 는 [[junghyelee]] 의 *실타래 1 (Feature Selection / MB) 의 완성형* — 67 회 인용. *Ranking* (모든 features 의 *순위*) 이 *selection* (subset 결정) 과 다른 task. 본 paper 는 MB 의 *minimal sufficient set* 개념을 *ranking method* 로 일반화.

방법론적 핵심: *MB-based multivariate ranking*. 기존 ranking 방법:
- *Univariate (relevance only)*: t-test, Fisher score, mutual information — 빠르나 redundancy 무시
- *Multivariate (relevance + redundancy)*: mRMR, conditional entropy — 정확하나 *high computation*

본 paper 의 MB-ranking: 각 feature 의 *MB membership likelihood* 를 ranking score 로. *Relevance + redundancy 동시 처리* + *데이터 효율 우월* (다른 multivariate 보다 적은 samples 로 stable ranking).

핵심 발견: 6 개 암 분류 마이크로어레이 (leukemia, breast, lung, etc.) 데이터에서 MB-ranking 이 univariate (t-test, MI) 와 multivariate (mRMR) 모두 outperform. 특히 *적은 sample (< 100)* 에서 우월 — *데이터 효율*.

[[junghyelee]] 의 *연구 궤적* 안에서 이 paper 는 *실타래 1 의 완성형* — [[junghye-lee-2015-markov-blanket-classification]] (selection) + [[junghye-lee-2020-mixed-mb]] (mixed-type) → [[junghye-lee-2021-mb-ranking-gene]] (ranking). 이후 [[kyu-jin-kim-2024-cafo]] (KDD 2024 CAFO 시계열) 로 *MB 라인이 시계열에서 부활*.

## 핵심 결과

| 방법 | 정확도 | 데이터 효율 |
|---|---|---|
| Univariate (t-test, MI) | 평균 | 평균 |
| Multivariate (mRMR, CE) | 좋음 | 평균 |
| **MB-ranking** | **최고** | **최고** |

- 6 암 분류 마이크로어레이 일관 우위
- 인용 수 67

## 방법론 노트

MB-ranking score for feature $X_i$:

$$
\text{Rank}(X_i) = f(\text{MB membership likelihood}(X_i | T))
$$

기존 MB algorithm (Inter-IAMB) 으로 *MB 후보 features* 식별 후, *조건부 dependence strength* 로 ranking. 모든 features 의 *순위* 제공 (selection 은 binary 결정).

식별 가정: (i) MB 의 minimal sufficient property, (ii) ranking score 의 *consistent ordering* 보장, (iii) 데이터 효율 (적은 samples 에서 안정).

## 연구 계보

이 paper 는 (i) [[junghye-lee-2020-mixed-mb]] · [[junghye-lee-2015-markov-blanket-classification]] 직접 선행, (ii) Peng et al. (2005) mRMR 정통, (iii) Bolón-Canedo et al. (2014) microarray feature selection review — 의 결합. [[junghyelee]] 의 *연구 궤적* *실타래 1 의 완성형*.

## See also

- [[junghyelee]]
- [[chi-hyuck-jun]]
- [[markov-blanket]]
- [[multivariate-feature-ranking]]
- [[feature-selection]]
- [[gene-selection]]
- [[high-dimensional-data]]
- [[expert-systems-with-applications]]
- [[junghye-lee-2020-mixed-mb]]