[論文レビュー] Bootstrapping Graph Convolutional Neural Networks for Autism Spectrum Disorder Classification

Rushil Anirudh, Jayaraman J. Thiagarajan|arXiv (Cornell University)|Apr 24, 2017

Autism Spectrum Disorder Research被引用数 9

ひとこと要約

本稿では、エッジドロップアウトを用いてアンサンブルグラフを生成することで、初期グラフ構築に依存する感度を低減し、fMRIデータ上の自閉症スペクトラム障害（ASD）分類を改善する、ブートストラップ処理を施したグラフ畳み込みニューラルネットワーク（G-CNN）フレームワークを提案する。この手法は、ABIDEデータセット上で70.86%の最先端の正確度を達成し、クリーン、ノイジー、ナイーブなグラフのすべてにおいて頑健であることを示した。

ABSTRACT

Using predictive models to identify patterns that can act as biomarkers for different neuropathoglogical conditions is becoming highly prevalent. In this paper, we consider the problem of Autism Spectrum Disorder (ASD) classification where previous work has shown that it can be beneficial to incorporate a wide variety of meta features, such as socio-cultural traits, into predictive modeling. A graph-based approach naturally suits these scenarios, where a contextual graph captures traits that characterize a population, while the specific brain activity patterns are utilized as a multivariate signal at the nodes. Graph neural networks have shown improvements in inferencing with graph-structured data. Though the underlying graph strongly dictates the overall performance, there exists no systematic way of choosing an appropriate graph in practice, thus making predictive models non-robust. To address this, we propose a bootstrapped version of graph convolutional neural networks (G-CNNs) that utilizes an ensemble of weakly trained G-CNNs, and reduce the sensitivity of models on the choice of graph construction. We demonstrate its effectiveness on the challenging Autism Brain Imaging Data Exchange (ABIDE) dataset and show that our approach improves upon recently proposed graph-based neural networks. We also show that our method remains more robust to noisy graphs.

研究の動機と目的

• 自閉症スペクトラム障害（ASD）分類におけるグラフ畳み込みネットワーク（G-CNN）の集団グラフの選択に依存する感度を軽減すること。
• fMRIを用いたASD予測において、弱く構築されたまたはノイジーな集団グラフを使用する場合の分類の頑健性を向上させること。
• グラフのランダム化を用いたアンサンブル学習により、専門家が設計したグラフに依存するのを減らす訓練戦略を開発すること。
• ブートストラップ処理を施したG-CNNが、追加データや複雑なグラフ構築を必要とせずに、最先端の手法を上回ることを実証すること。

提案手法

• 性別、施設、fMRI結合パターンなどの被験者レベル特徴を用いて、初期の集団グラフを構築する。
• 元のグラフから30–40％のエッジを確率的にドロップすることで、ランダム化されたグラフのアンサンブルを生成する。
• 各ランダム化グラフごとに別個のG-CNNを訓練し、3次までのチェビシェフ多項式を用いたChebNet近似を適用する。
• すべてのアンサンブルモデルの予測を、ソフトマックス出力の平均をとり、平均確率が最大のクラスを選択することで統合する。
• モデル訓練の前に、入力次元を2000特徴にまで削減するために再帰的特徴選択を適用する。
• すべてのモデルを200エポック、学習率0.005、ドロップアウト率0.3で訓練する。

実験結果

リサーチクエスチョン

• RQ1 ブートストラップ処理を施したG-CNNは、ASD分類における集団グラフの選択に依存する感度を低減できるか？
• RQ2 グラフのランダム化によるアンサンブル学習は、ABIDE fMRIデータセットにおける分類性能を向上させるか？
• RQ3 初期グラフがノイジーまたは不適切に構築された場合、本手法の性能はいかがなっているか？
• RQ4 単純なブートストラップ戦略が、複雑な専門家設計グラフ構築手法を上回ることができるか？

主な発見

• 提案されたブートストラップ処理を施したG-CNNは、ABIDEデータセットで70.86％の分類正確度を達成し、以前の最先端G-CNN手法を1.36ポイント上回った。
• ナイーブグラフ（恒等隣接行列）では67.85％の正確度を達成し、ベースラインG-CNN（66.93％）を上回り、グラフ情報が欠落していても有効であることを示した。
• 30％のエッジがドロップされたノイジーなグラフでは67.39％の正確度を達成し、ベースラインG-CNN（66.35％）を上回り、グラフ劣化に対して頑健であることを示した。
• すべてのグラフタイプにおいて性能向上が一貫しており、不良なグラフ構築の影響を効果的に軽減するブートストラップ戦略の有効性が示された。
• エッジドロップアウト率が30–40％で、20–25個のランダム化グラフからなる大規模なアンサンブルが最適な性能を示し、小規模なアンサンブルや低いドロップアウト率では性能向上が限定的であった。