[論文レビュー] A central limit theorem for an omnibus embedding of random dot product graphs

Keith Levin, Avanti Athreya+3 more|arXiv (Cornell University)|May 25, 2017

Functional Brain Connectivity Studies被引用数 14

ひとこと要約

本稿では、複数のランダムドット積グラフを共有の低次元空間に統合的に埋め込むことで、整合的でスケーラブルなマルチサンプル・グラフ推論を可能にするオムニバス埋め込み法を提案する。埋め込みに対する中心極限定理を確立することで、対比較のためのアライメントを不要とし、機能的結合体データにおける集団レベルの脳ネットワーク差を明らかにする。

ABSTRACT

Performing statistical analyses on collections of graphs is of import to many disciplines, but principled, scalable methods for multi-sample graph inference are few. Here we describe an embedding in which multiple graphs on the same vertex set are jointly embedded into a single space with a distinct representation for each graph. We prove a central limit theorem for this embedding and demonstrate how it streamlines graph comparison, obviating the need for pairwise subspace alignments. The omnibus embedding achieves near-optimal inference accuracy when graphs arise from a common distribution and yet retains discriminatory power as a test procedure for the comparison of different graphs. Moreover, this joint embedding and the accompanying central limit theorem are important for answering multiscale graph inference questions, such as the identification of specific subgraphs or vertices responsible for similarity or difference across networks. We illustrate this with a pair of analyses of connectome data derived from dMRI and fMRI scans of human subjects. In particular, we show that this embedding allows the identification of specific brain regions associated with population-level differences. Finally, we sketch how the omnibus embedding can be used to address pressing open problems, both theoretical and practical, in multisample graph inference.

研究の動機と目的

• 同じ頂点集合を持つ複数のグラフ間でのスケーラブルで原理的根拠のある統計的推論手法の開発。
• グラフ同士の部分空間アライメントを不要とするために、統合的埋め込みを可能とする。
• 複数のグラフに対する推論の理論的基盤を提供するため、中心極限定理を導出する。
• 集団間のネットワーク類似性や差を引き起こす特定の部分グラフや頂点を同定する。
• 結合体のような複雑なネットワークにおける多スケール推論を可能とし、高い識別能力を実現する。

提案手法

• オムニバス埋め込みは、同じ頂点集合を持つ複数のグラフから1つの統合的隣接行列を構築し、グラフ構造を保持しながら共有表現を可能にする。
• オムニバス行列に対してスペクトル埋め込みを適用し、各グラフを共通の空間に低次元のベクトル表現として表現する。
• 埋め込みベクトルに対する中心極限定理を証明し、弱い正則性条件のもとで漸近正規性を確立する。
• ランダムドット積グラフモデルを活用し、各グラフが潜在的位置ベクトルの内積から生成されると仮定する。
• 埋め込み点の極限正規分布に基づく統計的検定統計量を用いて推論を実現する。
• 反復的アライメント手順を必要とせず、グラフ表現を直接比較可能とする。

実験結果

リサーチクエスチョン

• RQ1 同じ頂点集合を持つ複数のグラフの統合的埋め込みは、対比較のためのアライメントを不要とし、正確かつスケーラブルな推論を可能にするか？
• RQ2 グラフが共通の分布に従って交換可能である場合、オムニバス埋め込みは近似的に最適な推論精度を達成するか？
• RQ3 埋め込みは、集団間のネットワーク差を引き起こす特定の部分グラフや頂点を検出し、局所化できるか？
• RQ4 オムニバス埋め込みに対する中心極限定理は、多スケールグラフ解析における統計的推論をどのように支援するか？
• RQ5 本手法は、実際の結合体データに適用可能であり、集団レベルのネットワーク差に関連する脳領域を同定できるか？

主な発見

• グラフが同一の潜在分布から生成される場合、オムニバス埋め込みは近似的に最適な推論精度を達成する。
• 埋め込みベクトルに対する中心極限定理により、仮説検定などの正当な統計的推論が可能となり、対比較のためのグラフアライメントを要しない。
• 本手法は、dMRIおよびfMRIスキャンから得られる結合体ネットワークにおける集団レベルの差を示す特定の脳領域を効果的に同定した。
• 異なる分布から生成されたグラフに対しても、オムニバス埋め込みは差を検出する強力な識別能力を維持する。
• 統合的埋め込みフレームワークは多スケール推論を可能とし、ネットワーク類似性や不一致を引き起こす部分グラフや頂点の同定を可能にする。
• 中心極限定理による理論的基盤により、高次元グラフ空間における頑健な推論が実現される。