[論文レビュー] Inferring complex networks from time series of dynamical systems: Pitfalls, misinterpretations, and possible solutions

Stephan Bialonski|arXiv (Cornell University)|Aug 3, 2012

Complex Systems and Time Series Analysis参考文献 14被引用数 10

ひとこと要約

本稿は、神経科学や気候科学を含む動的システムの実証的研究でよく報告される小ワールド的およびアソートァティブなネットワーク特性が、実際の力学的ダイナミクスの真の特徴ではなく、分析手法に起因するアーティファクトである可能性を示している。シミュレーションと実際の脳データを用いて、空間的および時間的サンプリング戦略、センサの配置、信号処理技術が、これらのネットワーク的特性を系統的に誘発することを示し、分析手法に起因するバイアスと真のネットワーク構造を区別するための手法的修正を提案している。

ABSTRACT

Understanding the dynamics of spatially extended systems represents a challenge in diverse scientific disciplines, ranging from physics and mathematics to the earth and climate sciences or the neurosciences. This challenge has stimulated the development of sophisticated data analysis approaches adopting concepts from network theory: systems are considered to be composed of subsystems (nodes) which interact with each other (represented by edges). In many studies, such complex networks of interactions have been derived from empirical time series for various spatially extended systems and have been repeatedly reported to possess the same, possibly desirable, properties (e.g. small-world characteristics and assortativity). In this thesis we study whether and how interaction networks are influenced by the analysis methodology, i.e. by the way how empirical data is acquired (the spatial and temporal sampling of the dynamics) and how nodes and edges are derived from multivariate time series. Our modeling and numerical studies are complemented by field data analyses of brain activities that unfold on various spatial and temporal scales. We demonstrate that indications of small-world characteristics and assortativity can already be expected due solely to the analysis methodology, irrespective of the actual interaction structure of the system. We develop and discuss strategies to distinguish the properties of interaction networks related to the dynamics from those spuriously induced by the analysis methodology. We show how these strategies can help to avoid misinterpretations when investigating the dynamics of spatially extended systems.

研究の動機と目的

• 空間的および時間的サンプリングに特化した分析手法が、動的システムにおける推定されるネットワーク特性にどのように歪みをもたらすかを調査すること。
• 実証的データにおいて、誤った小ワールド的およびアソートァティブ特性を引き起こす系統的なバイアスを同定すること。
• データ取得および処理に起因するアーティファクトと真の力学的相互作用を分離できる、手法的修正を構築および検証すること。
• 神経科学、気候科学、その他の分野において、時系列から相互作用ネットワークを推定する際の誤解を避けるための実用的ガイドラインを提供すること。
• てんかん発作中の多チャンネルEEG/MEGデータを用いた合成モデルおよび実データを用いた検証を実施すること。

提案手法

• 空間的センサ配置および時間的サンプリングの影響を隔離するために、格子構造およびランダムな動的システムを用いた制御されたシミュレーション研究を実施。
• 位相ランダム化されたサロゲートデータを用いて、観察されたネットワーク特性が偶然を超えて統計的に有意であるかを検証。
• クラスタリング係数、平均最短経路長、アソートァティビティ、次数分布といったネットワーク指標を用い、実データとサロゲートデータを比較。
• 重み付きネットワークの制約付きランダマイゼーションを実装し、統計的性質を保持しながら動的依存関係を破壊するノイズレスモデルを生成。
• 人間脳記録（EEGおよびMEG）からの多次元時系列データを分析し、サンプリングアーティファクトを補正した後もネットワーク特性が維持されるかを検証。
• スペクトルクラスタリングおよび重み付きネットワークにおけるコミュニティ検出を用い、推定されたネットワークモジュールの構造的安定性および頑健性を評価。

実験結果

リサーチクエスチョン

• RQ1 空間的サンプリングパターンおよびセンサの幾何配置が、推定ネットワークに誤った小ワールド的特性をどれほど誘発するか。
• RQ2 時間的サンプリングレートが、クラスタリング係数や平均最短経路長といった主要なネットワーク指標の推定にどのように影響するか。
• RQ3 推定ネットワークにおけるアソートァティブ混合は、実際の力学的結合が存在しない状況でも測定アーティファクトによって説明可能か。
• RQ4 脳活動データ（例：てんかん発作時）に報告されたネットワーク特性は、実際の力学的ダイナミクスを真正に反映しているのか、それともデータ取得および処理に起因するのか。
• RQ5 分析手法に起因するアーティファクトと真のネットワーク構造を信頼性高く区別できる、どのような手法的修正が有効か。

主な発見

• 小ワールド的特性およびアソートァティビティは、相関のないあるいは独立した動的システムであっても、センサの空間的配置と信号のサンプリング方法に起因して、純粋に生じ得る。
• クラスタリング係数および平均最短経路長は、時間的サンプリング周波数に著しくバイアスを受ける。特に、サンプリングが不十分な場合、クラスタリング係数が過大評価され、経路長が短く評価される。
• アソートァティビティは、センサの空間的分布および測定ノイズに強く影響され、実際の動的結合が存在しない状況でも、しばしば誤った正のアソートァティビティを生じる。
• 実際のEEGおよびMEGデータから推定されたネットワークは、同様のバイアスを示しており、これまでに報告された「小ワールド的」特性が、分析手法に起因するものである可能性が示唆される。
• 制約付きランダマイゼーションおよびサロゲートデータテストは、アーティファクトを効果的に同定・フィルタリングでき、時系列データにおけるネットワーク推定の信頼性を向上させる。
• 本研究は、標準的なネットワーク指標がサンプリングアーティファクトに対して頑健でないことを示しており、複雑系における有効な推定には、手法的修正が不可欠であることを明らかにした。