[論文レビュー] Community Correlations and Testing Independence Between Binary Graphs

Cencheng Shen, Jesús Arroyo+2 more|arXiv (Cornell University)|Jun 9, 2019

Bioinformatics and Genomic Networks参考文献 24被引用数 6

ひとこと要約

本稿では、$ρ$-相関付きスチュアティック・ブロック・モデル（SBM）の下で、隣接行列をカーネル行列とみなして、2つの無向グラフ間の条件付き独立性に関するブロック順列に基づく統計的検定を提案する。この手法は、グラフの周辺分布が異なる場合や、潜在的なコミュニティ構造が未知の場合でも、有効かつ一貫性があることが証明されており、線虫C. elegansにおける化学的シナプス接続マップと電気的シナプス接続マップの間の強い依存関係が実証的根拠により示されている。

ABSTRACT

Graph data has a unique structure that deviates from standard data assumptions, often necessitating modifications to existing methods or the development of new ones to ensure valid statistical analysis. In this paper, we explore the notion of correlation and dependence between two binary graphs. Given vertex communities, we propose community correlations to measure the edge association, which equals zero if and only if the two graphs are conditionally independent within a specific pair of communities. The set of community correlations naturally leads to the maximum community correlation, indicating conditional independence on all possible pairs of communities, and to the overall graph correlation, which equals zero if and only if the two binary graphs are unconditionally independent. We then compute the sample community correlations via graph encoder embedding, proving they converge to their respective population versions, and derive the asymptotic null distribution to enable a fast, valid, and consistent test for conditional or unconditional independence between two binary graphs. The theoretical results are validated through comprehensive simulations, and we provide two real-data examples: one using Enron email networks and another using mouse connectome graphs, to demonstrate the utility of the proposed correlation measures.

研究の動機と目的

• 隣接行列をカーネル行列とみなした場合に、2つのグラフ間の条件付き独立性を検証する有効かつ一貫性のある統計的検定を開発すること。
• 標準的な順列検定およびピアソン検定が、周辺分布が異なる場合やコミュニティ割り当てが不明な場合に$ρ$-相関付きSBMモデル下で失敗することを解決すること。
• 従来の手法が潜在構造のため無効となる複雑なデータ、例えば脳の接続マップにおいて、グラフの依存関係を推論可能にするための手法を提供すること。
• バイナリおよび重み付きグラフ、周辺分布の不均一性を伴うさまざまなグラフタイプに対しても耐性を持つ手法を、SBM仮定に基づくブロック順列を活用することで実現すること。
• 実際の接続マップデータを用いた実証的妥当性の検証を通じて、神経科学およびネットワーク科学分野における本手法の実用性を示すこと。

提案手法

• 本手法は、2つのグラフが$ρ$-相関付きスチュアティック・ブロック・モデル（SBM）に従い、各ブロック内では独立同分布に従ってエッジが抽出されるとモデル化する。
• ブロック構造を保持しつつ、ブロック間でのエッジ割り当てをランダム化するブロック順列手順を採用し、帰無分布が正しく近似されることを保証する。
• 検定統計量は、2つのグラフの隣接行列にカーネルベースの指標（例：ヒルバート＝シュミット独立性基準）を適用することで計算する。
• 帰無分布は500回のブロック順列再試行により推定され、ブロック数$k$はBICを用いてコミュニティ構造の適合度を最適化するように選択される。
• 潜在的コミュニティ構造に条件づけて、2つのグラフが異なる周辺分布や重み付きである場合でも、本手法は有効に保たれる。
• 理論的整合性を確保するため、指定された相関を持つペアドグラフを生成するための一般化されたサンプリング手順を用いて、$ρ$-相関付きベルヌーイ変数を生成する。

実験結果

リサーチクエスチョン

• RQ1 2つのグラフの周辺分布が異なる場合に、標準的な順列検定が$ρ$-相関付きSBMモデル下で条件付き独立性を信頼性高く検出できるか。
• RQ2 潜在的コミュニティ構造と異なるグラフタイプ（バイナリ／重み付き）を考慮した、有効かつ一貫性のあるグラフ独立性検定が存在するか。
• RQ3 線虫C. elegansにおける化学的シナプス接続マップとギャップジャンクション接続マップの間には、共通のコミュニティ構造を超えて、どの程度の統計的依存関係が存在するか。
• RQ4 ブロック数$k$の選択が、帰無仮説下でのブロック順列検定の有効性および検出力にどのように影響するか。
• RQ5 本手法は、完全なSBMでない実世界の接続マップデータにおいても、依存関係を検出可能か。

主な発見

• 提案されたブロック順列検定は、$ρ$-相関付きSBMモデル下で、2つのグラフの周辺分布が異なる場合や重み付きである場合でも、有効かつ一貫性があることが理論的に証明された。
• 標準的な順列検定およびピアソン検定は、潜在的コミュニティ構造に依存するため、同モデル下では無効であることが示された。
• シミュレーションデータでは、バイナリおよび重み付きグラフの両方において、本手法が依存関係を適切に検出でき、適切な$k$値に対して帰無分布を著しく上回る検定統計量が得られた。
• 線虫C. elegansの接続マップにおいて、観測された検定統計量は、すべてのテストされた$k$値（$k=13$、BIC最適推定値を含む）で帰無分布を著しく上回り、強い統計的依存関係が示された。
• $k \to n$となるにつれて、ブロック順列の帰無分布は観測された検定統計量に収束するため、ブロック分解能が向上するほど検出力が向上することを確認した。
• 本手法により、線虫C. elegansにおける化学的シナプスとギャップジャンクションの接続マップ間に顕著な依存関係が同定され、コミュニティ構造を超えて、1つの接続タイプの存在が他方を予測可能であることが示された。