[論文レビュー] Joint Structure Learning of Multiple Non-Exchangeable Networks

Chris J. Oates, Sach Mukherjee|arXiv (Cornell University)|Feb 23, 2014

Bayesian Modeling and Causal Inference参考文献 17被引用数 6

ひとこと要約

本稿では、根付き木を介してネットワーク間の階層的関係をモデル化することで、従来の手法を一般化する、複数の非交換可能なネットワークの共同構造学習を可能にする新規ベイズ枠組みである構造学習木（SLTs）を提案する。この手法は信念伝播を用いた効率的かつ正確な推論を可能にし、特に系統的関係や系統系列的関係のような複雑な非交換的依存関係を有する場合に、シミュレートされたデータおよび生物学的実データにおいてネットワーク推定の精度が向上することを示している。

ABSTRACT

Several methods have recently been developed for joint structure learning of multiple (related) graphical models or networks. These methods treat individual networks as exchangeable, such that each pair of networks are equally encouraged to have similar structures. However, in many practical applications, exchangeability in this sense may not hold, as some pairs of networks may be more closely related than others, for example due to group and sub-group structure in the data. Here we present a novel Bayesian formulation that generalises joint structure learning beyond the exchangeable case. In addition to a general framework for joint learning, we (i) provide a novel default prior over the joint structure space that requires no user input; (ii) allow for latent networks; (iii) give an efficient, exact algorithm for the case of time series data and dynamic Bayesian networks. We present empirical results on non-exchangeable populations, including a real data example from biology, where cell-line-specific networks are related according to genomic features.

研究の動機と目的

• ネットワーク間の交換可能性を仮定する従来の共同構造学習手法の限界に対処すること。これは、系統的またはグループ固有の関係が存在する現実世界の設定ではしばしば失敗する。
• グループおよびサブグループの依存関係をエンコードする根付き木構造を用いて、非交換可能なネットワーク関係をモデル化する汎用的ベイズ枠組みの開発。
• ユーザーが指定するハイパーパrameterを必要としない、関連構造空間全体に対するデフォルトの非情報的事前分布の提供。
• 観測済みおよび潜在的ネットワーク構造の両方の正確な推論を可能にすること。動的ベイズネットワーク（DBN）設定における時系列データにも適用可能。
• 木構造の誤指定に対するロバストネスの評価およびがん細胞系列からの実生物学的データにおける性能の検証。

提案手法

• 各ノードがネットワークを表し、エッジがグループおよびサブグループのメンバーシップなどの階層的関係をエンコードする根付き木としての構造学習木（SLTs）を提案。
• 木のエッジに沿って制約を継承する階層的事前分布を構築し、ユーザー入力が不要なデフォルトの客観的事前分布を関連構造空間全体に導入。
• 観測済みおよび潜在的ネットワークの両方の後部周辺分布を計算するため、関連ネットワーク空間上で正確な信念伝播アルゴリズムを採用。
• 時系列データへの適用のため、線形VAR(1)プロセスと干渉をモデル化する動的ベイズネットワーク（DBN）に本フレームワークを適応。
• 後部周辺包含確率を用いて重み付きおよびバイナリの隣接行列を推定し、AUROC、AUPR、マシューフォーカル相関係数、誤分類率を指標として性能を評価。
• 異なるサンプルサイズおよびエッジ密度を有するシミュレートデータ、およびがん細胞系列における薬剤投与下の実プロテオミクス時系列データの両方へ本手法を適用。

実験結果

リサーチクエスチョン

• RQ1 進化的または系統的関係に基づくデータにおいて、ネットワークが階層的に関連している場合に、非交換的関係を効果的にモデル化できるベイズ共同構造学習枠組みは存在するか？
• RQ2 真のネットワーク関係が非交換的である場合、本提案するSLT枠組みは交換可能なモデルと比較して、どの程度優れた性能を示すか。特にモデルの誤指定下でも同様か？
• RQ3 関連構造空間全体に対するデフォルト事前分布は、ユーザーが指定するハイパーパrameterを一切必要としない状況で、推定性能をどの程度向上できるか？
• RQ4 信念伝播アルゴリズムは、動的ベイズネットワーク設定において、観測済みおよび潜在的ネットワーク構造の両方の正確な推論をどの程度効率的に可能にするか？
• RQ5 ゲノム的特徴によって関連する細胞系列固有のネットワークを有するような、複雑な依存関係を有する実生物学的データにおいて、SLT枠組みはネットワーク推定の精度を向上させることができるか？

主な発見

• ネットワークに階層的関係が存在する場合、特に低サンプル量の状況において、SLT枠組みは交換可能なモデルを著しく上回るネットワーク構造推定性能を示した。
• ユーザーが指定するハイパーパrameterを一切必要としない関連構造空間全体に対するデフォルト事前分布は、強力な性能を達成し、ロバストネスと客観性を示した。
• 信念伝播アルゴリズムにより、関連ネットワーク空間上で正確な推論が可能となり、中程度のサイズのネットワークに対して計算効率が確保された。
• シミュレーションでは、SLT手法はベースライン手法と比較して、AUROC（最大0.92）およびAUPR（最大0.85）が高く、特に低サンプルサイズおよび中程度のエッジ密度下で顕著に優れた性能を示した。
• がん細胞系列からの実プロテオミクス時系列データにおいて、SLTモデルはラパチニブおよびAKTi投与に対する差異的なネットワーク応答を的確に捉え、生物学的に妥当な調節変化を明らかにした。
• 木構造の誤指定に対しても本手法はロバストであり、仮定された階層が真の関係と完全に一致しない場合でも、高い性能を維持した。