[論文レビュー] Classification of weak multi-view signals by sharing factors in a mixture of Bayesian group factor analyzers

Sami Remes, Tommi Mononen+1 more|arXiv (Cornell University)|Dec 17, 2015

Blind Source Separation Techniques参考文献 5被引用数 3

ひとこと要約

本稿では、弱い多次元信号、特に1回試行のMEGデータにおける分類を向上させるために、クラスタ間で潜在要因を共有するベイジアン混合モデルを提案する。共有された（共通の）ノイズ成分とクラスタ固有の（識別的な）要因に分離することで、極めて小さな訓練データセットでもベースライン手法よりも顕著に高い精度を達成し、解釈可能で生成的な脳応答の再構成を可能にする。

ABSTRACT

We propose a novel classification model for weak signal data, building upon a recent model for Bayesian multi-view learning, Group Factor Analysis (GFA). Instead of assuming all data to come from a single GFA model, we allow latent clusters, each having a different GFA model and producing a different class distribution. We show that sharing information across the clusters, by sharing factors, increases the classification accuracy considerably; the shared factors essentially form a flexible noise model that explains away the part of data not related to classification. Motivation for the setting comes from single-trial functional brain imaging data, having a very low signal-to-noise ratio and a natural multi-view setting, with the different sensors, measurement modalities (EEG, MEG, fMRI) and possible auxiliary information as views. We demonstrate our model on a MEG dataset.

研究の動機と目的

• 1回試行のMEGなどの弱くSNRの低い多次元脳イメージングデータにおける信号分類の課題に対処すること。
• SVM やガウス過程のようなブラックボックス手法とは異なり、時間的構造を保持し、解釈可能性を提供する生成的分類モデルを開発すること。
• 共有された潜在要因を通じてクラスタ間で統計的強度を共有することにより、データが限られた状況での分類性能を向上させること。
• 共通の神経的ノイズとクラス判別的脳活動を区別するモデルを提供し、複雑な神経イメージングデータにおける信号検出を強化すること。

提案手法

• 各クラスを自身のクラスタ固有の要因負荷行列と共有要因負荷行列を有する混合成分としてモデル化することで、グループ要因分析（GFA）を拡張した。
• 共有要因は、クラス間で共通する非識別的神経活動を捉え、クラスタ固有の要因は弱いタスク関連信号をモデル化する。
• 変分ベイズ推論を用いて、共有およびクラスタ固有の負荷行列、因子スコア、クラスラベル分布を同時に推定する。
• 因子精度にハイパーパriorを設定し、クラス所属にベルヌーイpriorを用いる階層的事前分布構造を採用することで、小規模データセットでもロバストな学習を可能にする。
• MEGデータの時系列構造は、各センサーの時間窓をデータソースとしてモデル化し、因子が時間的ダイナミクスを捉えるようにすることで保持される。
• 複数の視点（異なるMEGセンサーやモodalitiy、実験条件など）のデータを、エンドツーエンドで統合してモデルを学習する。

実験結果

リサーチクエスチョン

• RQ1 複数のGFA成分にまたがる共有潜在要因は、弱い多次元信号データにおける分類精度を向上させることができるか？
• RQ2 共有要因を含むモデルは、共有要因を含まないモデルと比較して、低SNR脳イメージングデータにおける性能でどのように差が現れるか？
• RQ3 本モデルは、1回試行のMEGデータにおいて、共通の神経的ノイズとタスク判別的信号を効果的に分離できるか？
• RQ4 生成的性質を持つ本モデルは、実測平均と整合するような、例えばイベント関連電位（ERPs）のような脳応答の解釈可能な再構成を可能にするか？

主な発見

• 提案モデルは、特に小規模な訓練データセットにおいて、Group LASSOベースラインを顕著に上回り、訓練データがたった4サンプルの状況でも高いAUCを達成した。
• 共有要因を含まないモデルの制限版は著しく性能が低く、共有要因が性能向上に不可欠であることを示した。
• モデルは実測平均とよく一致するクラス固有のERPsを効果的に再構成でき、識別的神経パターンを捉える能力を確認した。
• モデルは、話すことに関連する脳領域（例えばヘリットの縁付近の運動関連領域）と聞くことに関連する領域（例えば左右側頭皮質）を同定し、既知の神経生理学と整合した。
• 生成的モデルにより、クラス差に寄与する要因を解釈可能に特定でき、共有要因は非識別的活動を説明し、クラスタ固有の要因はタスク関連信号を捉えていた。