[論文レビュー] Fast embedding of multilayer networks: An algorithm and application to group fMRI.

James Wilson, Melanie Baybay+2 more|arXiv (Cornell University)|Sep 17, 2018

Functional Brain Connectivity Studies参考文献 67被引用数 10

ひとこと要約

本稿では、2次ランダムウォークサンプリングとスキップグラムモデルを用いて、マルチレイヤーネットワークから連続的なノード表現を学習するスケーラブルなアルゴリズム、multi-node2vecを提案する。グループfMRIデータにおいて、既存手法を上回り、既知の脳機能的組織と密接に一致するノード特徴を同定する。

ABSTRACT

Learning interpretable features from complex multilayer networks is a challenging and important problem. The need for such representations is particularly evident in multilayer networks of the brain, where nodal characteristics may help model and differentiate regions of the brain according to individual, cognitive task, or disease. Motivated by this problem, we introduce the multi-node2vec algorithm, an efficient and scalable feature engineering method that automatically learns continuous node feature representations from multilayer networks. Multi-node2vec relies upon a second-order random walk sampling procedure that efficiently explores the inner- and intra- layer ties of the observed multilayer network is utilized to identify multilayer neighborhoods. Maximum likelihood estimators of the nodal features are identified through the use of the Skip-gram neural network model on the collection of sampled neighborhoods. We investigate the conditions under which multi-node2vec is an approximation of a closed-form matrix factorization problem. We demonstrate the efficacy of multi-node2vec on a multilayer functional brain network from resting state fMRI scans over a group of 74 healthy individuals. We find that multi-node2vec outperforms contemporary methods on complex networks, and that multi-node2vec identifies nodal characteristics that closely associate with the functional organization of the brain.

研究の動機と目的

• 複雑なマルチレイヤーネットワーク、特に脳ネットワークにおいて、解釈可能で連続的なノード特徴表現を学ぶという課題に対処すること。
• マルチレイヤーネットワーク内のイントラ層およびインタ層接続パターンを捉えることのできる、スケーラブルで効率的な特徴工学手法を開発すること。
• 個別、認知的、病理的脳ネットワーク差を反映するノード特性の同定を可能にすること。
• 現実のマルチレイヤーブレインネットワークにおいて、本手法が最新のアプローチを上回ることを示すこと。

提案手法

• 本手法は、イントラ層およびインタ層接続を捉えるために、マルチレイヤーネighborhoodの探索に2次ランダムウォークサンプリング手順を採用する。
• 観測された近傍シーケンスの尤度を最大化することで、ノード特徴表現を学ぶためにスキーップグラムニューラルネットワークモデルを用いる。
• 特定の条件下では、理論的に閉形式の行列分解問題と関連づけられ、解釈可能性を提供する。
• サンプリングされたマルチレイヤーネighborhood上で確率的最適化を用いて、エンドツーエンドでノード埋め込みを学習する。
• 計算効率が良く、fMRIデータから得られるような大規模なマルチレイヤーネットワークにもスケーラブルに適用可能であるように設計されている。

実験結果

リサーチクエスチョン

• RQ1 スケーラブルなアルゴリズムは、潜在的なネットワーク構造を反映する、意味のある連続的ノード表現をマルチレイヤーネットワークから学習できるか？
• RQ2 multi-node2vecは、複雑なマルチレイヤーネットワークからの特徴学習において、既存の最先端手法と比較してどのように異なるか？
• RQ3 学習されたノード特徴は、安静状態fMRIデータにおける既知の機能的脳組織とどの程度一致するか？
• RQ4 どのような条件下でmulti-node2vecは行列分解と数学的に関連づけられるか？

主な発見

• multi-node2vecは、特に構造的および機能的関係を捉える点で、複雑なマルチレイヤーネットワークにおけるノード表現学習において、現在の手法を上回る。
• 学習されたノード特徴は、74名の健常者からなるグループにおいて、脳の機能的組織と強い関連を示す。
• 2次ランダムウォークサンプリングにより、イントラ層およびインタ層接続パターンを効果的に捉えることができる。
• 本手法はスケーラブルで効率的であり、fMRIから得られるような大規模なマルチレイヤーブレインネットワークへの応用が可能である。
• 理論的分析により、特定のネットワーク条件下では、multi-node2vecが閉形式の行列分解を近似することが示された。