[論文レビュー] Joint Estimation of Low-Rank Components and Connectivity Graph in High-Dimensional Graph Signals: Application to Brain Imaging

Rui Liu, Hossein Nejati+1 more|arXiv (Cornell University)|Jan 8, 2018

Functional Brain Connectivity Studies参考文献 37被引用数 3

ひとこと要約

本稿では、高次元でグラフに滑らかく、著しく損傷を受けたデータに対して、低ランク成分とグラフ構造の共同推定フレームワークを提案する。特に、MEG脳イメージングに応用している。反復的な最適化により、グラフと低ランク成分を交互に改善することで、次元削減と接続性推定の両方を向上させ、最先端の分類精度と神経科学的に妥当な脳ネットワーク地図を達成している。

ABSTRACT

This paper presents a graph signal processing algorithm to uncover the intrinsic low-rank components and the underlying graph of a high-dimensional, graph-smooth and grossly-corrupted dataset. In our problem formulation, we assume that the perturbation on the low-rank components is sparse and the signal is smooth on the graph. We propose an algorithm to estimate the low-rank components with the help of the graph and refine the graph with better estimated low-rank components. We propose to perform the low-rank estimation and graph refinement jointly so that low-rank estimation can benefit from the refined graph, and graph refinement can leverage the improved low-rank estimation. We propose to address the problem with an alternating optimization. Moreover, we perform a mathematical analysis to understand and quantify the impact of the inexact graph on the low-rank estimation, justifying our scheme with graph refinement as an integrated step in estimating low-rank components. We perform extensive experiments on the proposed algorithm and compare with state-of-the-art low-rank estimation and graph learning techniques. Our experiments use synthetic data and real brain imaging (MEG) data that is recorded when subjects are presented with different categories of visual stimuli. We observe that our proposed algorithm is competitive in estimating the low-rank components, adequately capturing the intrinsic task-related information in the reduced dimensional representation, and leading to better performance in a classification task. Furthermore, we notice that our estimated graph indicates compatible brain active regions for visual activity as neuroscientific findings.

研究の動機と目的

• グラフ構造が未知または不正確な高次元でグラフに滑らかく、著しく損傷を受けたデータにおける低ランク成分推定の課題に対処する。
• 低ランク成分の推定とグラフ構造の精緻化を同時に実行し、推定精度とネットワーク推論の両方を向上させる。
• 不正確なグラフが低ランク回復に与える影響を分析することで、グラフ精緻化を低ランク推定に統合する根拠を提示する。
• 実際のMEGデータ上で優れた性能を示し、より高い分類精度と神経科学的知見と整合する脳結合地図を生成する。

提案手法

• スパースな摂動とグラフ滑らかさを仮定し、低ランク成分とグラフラプラシアンの共同最適化として問題を定式化する。
• 交互最適化を用いて、低ランク成分の推定とグラフ構造の精緻化を反復的に更新する。
• グラフラプラシアン正則化を活用し、推定されたグラフ上での低ランク信号の滑らかさを強制する。
• スペクトルグラフ正則化を適用し、スパarsity制約を組み込むことで、摂動をモデル化し、ノイズに対するロバストネスを確保する。
• 数学的解析により、グラフの不正確さが低ランク推定に与える影響を定量化し、共同精緻化の必要性を裏付ける。
• 休息状態のMEGデータから得られるコherenCeに基づく初期グラフを用い、反復的学習によってそれを精緻化する。

実験結果

リサーチクエスチョン

• RQ1 初期グラフの不正確さが、高次元で損傷を受けたデータにおける低ランク成分推定に与える影響は何か？
• RQ2 低ランク成分とグラフ構造の共同推定は、逐次的または独立的な手法と比較して、性能を向上させることができるか？
• RQ3 提案手法は、脳イメージングにおける既知の神経科学的知見と整合するグラフ接続パターンを生成できるか？
• RQ4 分類精度の観点から、共同学習フレームワークは最先端の手法と比較してどのように異なるか？
• RQ5 精緻化されたグラフ構造は、顔認識に関連するようなタスク関連神経活動パターンをよりよく捉えられるか？

主な発見

• 提案手法LGEは、MEGデータにおいて最高の分類精度を達成した—96–105msでは64.26%、141–150msでは79.53%—PCA、RPCA、RPCAG、GL-SigRepを顕著に上回った。
• 統計的検定により、LGEの優位性が確認され、両時間窓においてすべての比較手法でp値 < 0.05であった。
• 刺激後105msでは、LGEが主に後頭部および左後頭側頭部領域のグラフ結合性を推定し、神経科学的文献における初期視覚処理と一致した。
• 150msでは、LGEのグラフが右後頭側頭部領域を強調しており、N170顔処理マーカーと一致したが、GL-SigRepとSGDictはより生物学的に妥当でない接続パターンを示した。
• LGEが推定したグラフは、特に顔認識時のタスク固有の活性化を捉える点で、GL-SigRepやSGDictよりも既知の機能的脳ネットワークと強い一致を示した。
• 数学的解析により、グラフの不正確さが低ランク推定を劣化させることを確認し、共同フレームワークにおける反復的グラフ精緻化の必要性を裏付けた。