[論文レビュー] Large-scale kernelized GRANGER causality to infer topology of directed graphs with applications to brain networks

M. Ali Vosoughi, Axel Wismüller|arXiv (Cornell University)|Nov 16, 2020

Functional Brain Connectivity Studies参考文献 32被引用数 17

ひとこと要約

この論文は、非線形の依存関係を捉えるためにカーネル法を活用することで、特に脳ネットワークのような複雑なネットワークにおける方向性のある因果関係を推定する大規模なカーネル化されたグラングル因果推定手法を提案する。この手法により、高次元データにおけるスケーラブルで正確なトポロジー推定が可能となり、因果構造の同定において線形手法を上回る性能を示している。

ABSTRACT

Graph topology inference of network processes with co-evolving and interacting time-series is crucial for network studies. Vector autoregressive models (VAR) are popular approaches for topology inference of directed graphs; however, in large networks with short time-series, topology estimation becomes ill-posed. The present paper proposes a novel nonlinearity-preserving topology inference method for directed networks with co-evolving nodal processes that solves the ill-posedness problem. The proposed method, large-scale kernelized Granger causality (lsKGC), uses kernel functions to transform data into a low-dimensional feature space and solves the autoregressive problem in the feature space, then finds the pre-images in the input space to infer the topology. Extensive simulations on synthetic datasets with nonlinear and linear dependencies and known ground-truth demonstrate significant improvement in the Area Under the receiver operating characteristic Curve ( AUC ) of the receiver operating characteristic for network recovery compared to existing methods. Furthermore, tests on real datasets from a functional magnetic resonance imaging (fMRI) study demonstrate 96.3 percent accuracy in diagnosis tasks of schizophrenia patients, which is the highest in the literature with only brain time-series information.

研究の動機と目的

• 大規模で高次元のネットワーク（例：脳ネットワーク）における方向性のある因果関係を推定する課題に対処すること。
• 現実世界のデータに見られる複雑な非線形依存関係を捉えることが難しい従来の線形グラングル因果推定の限界を克服すること。
• 大規模なネットワークトポロジー推定に適したスケーラブルで計算的に効率的な手法を開発すること。
• データ量と複雑さが著しい神経科学や他の分野における実用的因果発見を可能にすること。
• 因果推定を現代のAIおよびデータ駆動型モデリングと統合し、より適応可能で解釈可能なモデルを実現すること。

提案手法

• 本手法はカーネル化されたグラングル因果推定を採用し、再生核ヒルバート空間（RKHS）技術を用いて古典的な線形グラングル因果推定を非線形時系列依存関係をモデル化できるように拡張する。
• カーネルベースの条件付き独立性検定を用いて因果関係の検定を定式化し、時系列間の非線形な予測的関係を検出可能にする。
• 計算複雑性を低減するための大規模近似戦略を採用し、高次元データへの適用を可能にする。
• 因果構造は、ある時系列から別の時系列への予測的依存関係が、潜在的な交絡要因の集合に条件付けられてテストされることで推定される。
• カーネルトリックを活用して、データを高次元の特徴空間にマップし、非線形関係を線形分離可能にする。
• スパarsity誘導型最適化フレームワークを適用して、最も関連性の高い因果リンクを特定し、解釈可能性とスケーラビリティを向上させる。

実験結果

リサーチクエスチョン

• RQ1 カーネル化されたグラングル因果推定は、大規模で非線形の時系列データにおける方向性のある因果関係を効果的に推定できるか？
• RQ2 提案手法は、複雑なネットワークにおける真の因果構造を検出する際、古典的な線形グラングル因果推定と比べてどのように優れているか？
• RQ3 本手法は、機能的脳ネットワークのような高次元データセットにどの程度スケーラブルに適用できるか？
• RQ4 非線形依存関係を組み込むことで、線形モデルと比較して因果トポロジー推定の精度が著しく向上するか？
• RQ5 本手法は、生物学的に妥当な因果脳ネットワーク構造を解明できる実世界の神経科学データに適用可能か？

主な発見

• カーネル化されたグラングル因果推定手法は、時系列データにおける非線形依存関係を効果的に捉え、真の因果リンクを検出する際、線形グラングル因果推定を上回る性能を示した。
• 効率的なカーネル近似とスパarsity制約を用いることで、大規模ネットワークにおけるスケーラブルな推定が達成された。
• 実験的結果により、非線形ダイナミクスを示す合成データにおいて、既知の因果トポロジーの再構築精度が向上した。
• 機能的脳ネットワークデータにおいて、生物学的に妥当な因果関係が同定された。これは神経科学的応用への関連性を示唆している。
• ノイズと高次元性に対して頑健であり、因果構造回復において高い精度を維持した。
• カーネル法の統合により、従来の線形手法では検出できない因果関係の検出が可能になった。