[論文レビュー] Dynamics Based Features For Graph Classification

Leonardo Gutierrez Gomez, Benjamin Chiêm+1 more|arXiv (Cornell University)|May 30, 2017

Complex Network Analysis Techniques参考文献 19被引用数 10

ひとこと要約

本論文は、ネットワーク上のランダムウォークのダイナミクスを活用して、複数の時間スケールにわたる一般化されたアソートティビティ特徴量を抽出する、画期的な特徴ベースのグラフ分類手法を提案する。ノード属性（構造的特徴または外部ラベル）の時間的共分散を計算することで、ベンチマークデータセット、特にMRIデータから得られた新しいヒト脳コネクトームデータセットにおいて、最先端の精度を達成し、エッジ重みとワンホットエンコードされたノードラベルを用いて81.30%の精度を達成した。

ABSTRACT

Numerous social, medical, engineering and biological challenges can be framed as graph-based learning tasks. Here, we propose a new feature based approach to network classification. We show how dynamics on a network can be useful to reveal patterns about the organization of the components of the underlying graph where the process takes place. We define generalized assortativities on networks and use them as generalized features across multiple time scales. These features turn out to be suitable signatures for discriminating between different classes of networks. Our method is evaluated empirically on established network benchmarks. We also introduce a new dataset of human brain networks (connectomes) and use it to evaluate our method. Results reveal that our dynamics based features are competitive and often outperform state of the art accuracies.

研究の動機と目的

• グラフカーネルの計算負荷を回避する、スケーラブルで効率的かつ汎用性の高い特徴ベースのグラフ分類手法の開発。
• 特に、ランダムウォーク下でのノード属性の時間的相関を、構造的および意味的情報の源として活用すること。
• MRIデータから得た新しいヒト脳コネクトームデータセットを含む、多様なデータセットにおける手法の評価。
• 深層学習や複雑なカーネル計算を用いずに、最小限の構造的特徴および利用可能なノードメタデータに基づく一般化アソートティビティが、高い分類精度を達成できることの実証。

提案手法

• 本手法は、ランダムウォークが複数の時間ステップにわたって観測するノード属性（例：次数、PageRank、原子種別）の時間平均共分散として、一般化アソートティビティを定義する。
• 時間スケールの範囲でこれらの特徴量を計算することで、ネットワーク内のマルチスケール構造的パターンを捉える。
• ノード属性には、内在的な構造的特徴と外部ラベル（例：タンパク質種別、脳ネットワークにおけるROI）が含まれ、必要に応じてワンホットベクトルで符号化される。
• 導出された特徴ベクトル上で線形C-SVM分類器を用いて、二値および多値分類のグラフ分類を実行する。
• エッジ重みはランダムウォーク遷移行列に組み込み、トポロジカルおよび重み付き接続情報を保持する。
• 本手法は、バイオインフォマティクス、社会的ネットワーク、神経科学のデータセットに適用され、MRIデータから得た204例のヒト脳（男性91例、女性113例）の84ノードコネクトームデータセット（新規）を含む。

実験結果

リサーチクエスチョン

• RQ1 ランダムウォークから導出されるダイナミクス特徴量は、複数の時間スケールにわたってネットワーク構造の判別可能なパターンを明らかにできるか？
• RQ2 ノード属性の一般化アソートティビティは、最先端のグラフカーネルおよび特徴ベース手法と比較して、グラフ分類精度で優れているか？
• RQ3 すべてのグラフが同じ頂点ラベルを持つ状況でも、ノードメタデータ（例：原子種別、ROIラベル）を冗長性なく効果的に活用できるか？
• RQ4 エッジ重みを組み込むことで、脳コネクトームのような現実世界のネットワークにおける分類性能が向上するか？
• RQ5 本手法は、社会的、生化学的、神経画像解析ネットワークを含む多様なグラフタイプに一般化可能か？

主な発見

• 提案手法のダイナミクス特徴量（DyF）は、新しいヒト脳コネクトームデータセットで81.30% ± 2.07の精度を達成し、Weisfeiler-Lehman、最短経路、深層グラフカーネルを含むすべての比較手法を上回った。
• ノードラベルなし（DyF-nolab）の場合でも67.75% ± 1.25の精度を達成し、同じデータセットですべてのグラフカーネルおよび特徴ベースベースラインを上回った。
• エッジ重みを組み込む（DyF-nolab + w）ことで、精度は75.05% ± 0.98に向上し、重み付きネットワーク構造が特徴抽出に寄与することを示した。
• ワンホットエンコードされたノードラベルを用いる（DyF + w）と、最高の精度81.30% ± 2.07を達成し、メタデータが利用可能な場合に効果的に活用できることを示した。
• 標準的なバイオインフォマティクスおよび社会的ネットワークベンチマークにおいて、深層学習や複雑なカーネル計算を用いずに、最先端の手法と同等または優れた精度を達成した。
• 本手法は計算的に効率的かつスケーラブルであり、従来のグラフカーネルの2次関数的メモリコストを回避しながら、高い性能を維持した。