[論文レビュー] Distance Metric Learning using Graph Convolutional Networks: Application to Functional Brain Networks

Sofia Ira Ktena, Sarah Parisot+5 more|arXiv (Cornell University)|Mar 7, 2017

Advanced Graph Neural Networks参考文献 14被引用数 27

ひとこと要約

本論文は、スペクトルグラフ畳み込みとグローバルな対照的損失を用いたシアンセスアーキテクチャを備えたグラフ畳み込みネットワーク（GCN）ベースのメトリック学習フレームワークを提案し、機能的脳グラフ間の類似度を測定する。ABIDEデータセット上で評価した結果、主成分分析（PCA）後の従来のユークリッド距離に比べ、k-NN分類精度が11.9%向上し、異種のfMRI施設間で自閉症スペクトラム障害（ASD）と対照群を区別する能力が優れていることが示された。

ABSTRACT

Evaluating similarity between graphs is of major importance in several computer vision and pattern recognition problems, where graph representations are often used to model objects or interactions between elements. The choice of a distance or similarity metric is, however, not trivial and can be highly dependent on the application at hand. In this work, we propose a novel metric learning method to evaluate distance between graphs that leverages the power of convolutional neural networks, while exploiting concepts from spectral graph theory to allow these operations on irregular graphs. We demonstrate the potential of our method in the field of connectomics, where neuronal pathways or functional connections between brain regions are commonly modelled as graphs. In this problem, the definition of an appropriate graph similarity function is critical to unveil patterns of disruptions associated with certain brain disorders. Experimental results on the ABIDE dataset show that our method can learn a graph similarity metric tailored for a clinical application, improving the performance of a simple k-nn classifier by 11.9% compared to a traditional distance metric.

研究の動機と目的

• 不規則なグラフ、特に機能的脳ネットワークに対して、データ駆動型で学習可能な距離メトリックを開発し、神経発達障害の分類を改善すること。
• 異なる収集プロトコルを持つ複数の施設からの異種fMRIデータからの機能的結合グラフを比較する課題に対処すること。
• スペクトルグラフ畳み込みとシアンセスネットワークを活用し、脳グラフの識別的で施設に依存しない表現を学習すること。
• グラフ類似度を用いたASD対照群の分類において、従来の距離メトリック（例えばユークリッド距離）を上回ること。
• 本手法が神経画像診断を超えて、他のグラフ比較タスクにも一般化可能であることを示すこと。

提案手法

• 本手法は、チェビシェフ多項式から導かれる多項式フィルタを用いた、多項式フィルタを備えたシアンセスGCNアーキテクチャを採用し、不規則なグラフ上で局所的なスペクトル畳み込みを実行する。
• グラフ畳み込みはグラフラプラシアンを用いてスペクトルドメインで実行され、再帰的チェビシェフ近似により局所的フィルタリング操作が可能になる。
• 対照的損失関数が用いられ、同一クラスのグラフペア（マッチングペア）間の距離を最小化し、異なるクラスのペア（ノンマッチングペア）間の距離を最大化する。
• ミニバッチサイズ200のグラフペアでモデルを訓練し、クラスバイアスを回避し、すべてのグラフが均等に学習されるようにバランスサンプリングを実施する。
• 機能的脳グラフは、100の脳領域間の相関行列を用いて、安静状態fMRIデータから構築され、ノード特徴量は領域時間系列から導出される。
• 学習されたメトリックは、20施設の151名の被験者からなる11,325ペアのホールドアウトテストセットを用いたk-NN分類により評価される。

実験結果

リサーチクエスチョン

• RQ1 グラフ畳み込みに基づくディープメトリック学習フレームワークは、機能的脳グラフの類似度関数を効果的に学習できるか？
• RQ2 提案されたGCNベースのメトリックは、従来の距離メトリック（例えばユークリッド距離）に比べ、ASDと対照群の分類において優れているか？
• RQ3 fMRI収集プロトコルの施設間差異に対して、学習されたメトリックはどれほど頑健か？
• RQ4 モデルは、同じ施設内と異施設間のグラフペアの両方において、分類性能をどの程度向上させるか？
• RQ5 学習されたメトリックは、埋め込み空間においてマッチングペアとノンマッチングペアの分離をどの程度改善できるか？

主な発見

• 提案されたGCNベースのメトリックは、PCA後のユークリッド距離に比べ、全テストセットでk-NN分類精度が11.9%向上し、62.9%の精度に到達した。
• 個別の施設では、性能向上がさらに顕著で、施設18では50.0%から90.0%に40%の向上を記録した。
• 施設18では、マッチングペアとノンマッチングペアを区別するAUCが最大0.44上昇し、強力な識別力が示された。
• 学習されたメトリックは、すべての施設でマッチングペアとノンマッチングペアの分離を顕著に改善したが、特に同じ施設内比較において顕著であった。距離分布のボックスプロットから明らかになった。
• 本手法は、5つの最大規模の施設すべてでユークリッド距離を上回るAUC値を達成し、特に施設18で最大の向上を示した。
• 本手法はデータの多様性に対しても頑健であり、異なる収集施設からのグラフ比較においても一貫した性能向上を示した。