[論文レビュー] Comparing representational geometries using the unbiased distance correlation

Jörn Diedrichsen, Eva Berlot+3 more|arXiv (Cornell University)|Jul 6, 2020

Functional Brain Connectivity Studies被引用数 8

ひとこと要約

本稿では、測定ノイズに起因する類似度推定のバイアスを是正し、対照的な類似度推定間の統計的依存性を考慮する、代表的幾何構造を比較するための新しい手法である不偏距離相関を提案する。ユークリッド距離およびマハラノビス距離推定器におけるバイアスと共分散を解析的にモデル化することで、代表的類似度解析（RSA）における近似的最適なモデル比較が可能となり、統計的精度が向上する。

ABSTRACT

Representational similarity analysis (RSA) tests models of brain computation by investigating how neural activity patterns change in response to different experimental conditions. Instead of predicting activity patterns directly, the models predict the geometry of the representation, i.e. to what extent experimental conditions are associated with similar or dissimilar activity patterns. RSA therefore first quantifies the representational geometry by calculating a dissimilarity measure for all pairs of conditions, and then compares the estimated representational dissimilarities to those predicted by the model. Here we address two central challenges of RSA: First, dissimilarity measures such as the Euclidean, Mahalanobis, and correlation distance, are biased by measurement noise, which can lead to incorrect inferences. Unbiased dissimilarity estimates can be obtained by crossvalidation, at the price of increased variance. Second, the pairwise dissimilarity estimates are not statistically independent. Ignoring the dependency makes model comparison with RSA statistically suboptimal. We present an analytical expression for the mean and (co-)variance of both biased and unbiased estimators of Euclidean and Mahalanobis distance, allowing us to exactly quantify the bias-variance trade-off. We then use the analytical expression of the co-variance of the dissimilarity estimates to derive a simple method correcting for this covariance. Combining unbiased distance estimates with this correction leads to a novel criterion for comparing representational geometries, the unbiased distance correlation, which, as we show, allows for near optimal model comparison.

研究の動機と目的

• 代表的類似度解析（RSA）における測定ノイズが原因で生じる類似度推定のバイアスを是正すること。
• RSAにおける標準的なモデル比較を損なう、対照的な類似度推定間の統計的依存性を是正すること。
• 交差検証下でのユークリッド距離およびマハラノビス距離推定器のバイアスと共分散について、解析的表現を導出すること。
• 近似的最適なRSAにおけるモデル比較を可能にする新しい基準「不偏距離相関」を構築すること。
• 神経画像法および計算神経科学分野における代表的幾何構造比較の統計的信頼性と正確性を向上させること。

提案手法

• 交差検証を用いて、ユークリッド距離およびマハラノビス距離のバイアス付きおよびバイアスなし推定器の平均および（共）分散の解析的表現を導出する。
• 得られた類似度推定の共分散構造を用いて、対照的な比較における統計的依存性を是正する。
• 不偏類似度推定と共分散是正を組み合わせ、新しいモデル比較基準として不偏距離相関を定義する。
• 神経データにおける予測されたと観測された代表的幾何構造を比較する応用により、統計的最適性を確保する。
• 理論的導出とシミュレーションを用いて、本手法の性能を検証し、標準RSAに比べてより優れた推論性能を示す。

実験結果

リサーチクエスチョン

• RQ1 測定ノイズは、代表的類似度解析（RSA）における標準的な類似度推定にどのようにバイアスをもたらすか？
• RQ2 対照的な類似度推定間の統計的依存性は、RSAにおけるモデル比較の精度をどの程度損なうか？
• RQ3 距離推定器におけるバイアスと共分散の解析的モデルは、代表的幾何構造比較の正確性を向上させ得るか？
• RQ4 不偏推定と共分散是正を組み合わせることで、RSAにおけるモデル比較の統計的最適基準が得られるか？
• RQ5 提案された不偏距離相関は、従来のRSA手法に比べて統計的パワーと正確性の面でどのように優れているか？

主な発見

• 解析的導出により、類似度推定におけるバイアスと共分散が、RSAにおけるモデル比較の信頼性に顕著に影響することが明らかになった。
• ユークリッド距離およびマハラノビス距離の不偏推定はバイアスを低減するが、分散を増加させるというトレードオフが生じ、そのバランスは解析的に定量可能である。
• 得られた類似度推定の共分散構造により、統計的推論における精度の高い是正が可能となり、モデル比較の統計的信頼性が向上した。
• 提案された不偏距離相関基準は、代表的幾何構造比較において近似的最適な統計的性能を達成した。
• 本手法はバイアスと依存性の両方を考慮しているため、標準RSAを上回り、より正確で信頼性の高いモデル選択が可能となった。