[論文レビュー] Large-scale nonlinear Granger causality: A data-driven, multivariate approach to recovering directed networks from short time-series data

Axel Wismüller, Adora M. DSouza+1 more|arXiv (Cornell University)|Sep 10, 2020

Functional Brain Connectivity Studies参考文献 36被引用数 16

ひとこと要約

本稿では、データ駆動型で計算的に効率的な非線形状態空間モデリングを用いて、短時間系列データから大規模な非線形グレインジャ因果関係（lsNGC）を推定する手法を紹介する。この手法は、混沌とした系からのネットワーク構造の回復において従来手法を上回り、fMRIデータにおいてもHIV関連神経認知障害（HAND）患者と対照群を分類する際、わずか15の特徴量を用いてAUC 0.88を達成した。

ABSTRACT

To gain insight into complex systems it is a key challenge to infer nonlinear causal directional relations from observational time-series data. Specifically, estimating causal relationships between interacting components in large systems with only short recordings over few temporal observations remains an important, yet unresolved problem. Here, we introduce a large-scale Nonlinear Granger Causality (lsNGC) approach for inferring directional, nonlinear, multivariate causal interactions between system components from short high-dimensional time-series recordings. By modeling interactions with nonlinear state-space transformations from limited observational data, lsNGC identifies casual relations with no explicit a priori assumptions on functional interdependence between component time-series in a computationally efficient manner. Additionally, our method provides a mathematical formulation revealing statistical significance of inferred causal relations. We extensively study the ability of lsNGC to recovering network structure from two-node to thirty-four node chaotic time-series systems. Our results suggest that lsNGC captures meaningful interactions from limited observational data, where it performs favorably when compared to traditionally used methods. Finally, we demonstrate the applicability of lsNGC to estimating causality in large, real-world systems by inferring directional nonlinear, multivariate causal relationships among a large number of relatively short time-series acquired from functional Magnetic Resonance Imaging (fMRI) data of the human brain.

研究の動機と目的

• 短時間系列データから大規模なシステムにおける非線形的で方向性のある多次元因果関係を推定する課題に対処すること。
• 従来のグレインジャ因果関係手法の限界を克服すること。これらの手法はしばしば高次元、非線形、または不定定な状況で失敗する。
• 関数的依存関係に関する強い事前仮定を必要としない、計算的に効率的でデータ駆動型のアプローチを開発すること。
• fMRIからの機能的脳結合性といった実世界の応用において、因果ネットワークの堅牢な推定を可能にすること。
• 代替データを用いないf統計量フレームワークを用いて、推定された因果接続の統計的有意性を評価すること。

提案手法

• lsNGC手法は、限られた時間系列データから複雑な状態空間ダイナミクスをモデル化するための非線形次元削減ステップを採用する。
• 非線形で多次元の状態空間変換を用いて、成分間の相互作用を線形またはパラメトリックな関数形を仮定せずに捉える。
• 因果的影響は、候補となる影響要因系列の過去値を用いたターゲット系列の予測精度向上に基づいて定量化される、修正されたグレインジャ因果関係フレームワークを用いる。
• 推定された接続の統計的有意性はf統計量を用いて評価され、代替データに依存しない仮説検定が可能になる。
• この手法は、合成された混沌とした系（2〜34ノード）および人間脳ネットワークの実fMRIデータに適用された。
• 次に、特徴量選択としてケンダールのτ相関を用いて次元削減を行い、分類タスクに適した最も判別力のある結合特徴量を同定する。

実験結果

リサーチクエスチョン

• RQ1 lsNGCは、合成された混沌とした系における短時間系列データから、方向性があり非線形的で多次元的な因果ネットワークを正確に回復できるか？
• RQ2 lsNGCは、カーネルグレインジャ因果（KGC）やローカルモデル（LM）といった既存手法と比較して、ネットワーク回復の精度と耐性において優れているか？
• RQ3 lsNGCは、健康な対照群とHIV関連神経認知障害（HAND）を有する個体を区別する意味のある判別的因果結合パターンを実fMRIデータから検出できるか？
• RQ4 lsNGCを用いた結合行列から臨床群を効果的に分類するために必要な最適な特徴量数（因果接続）はいくつか？
• RQ5 lsNGCは、代替データや複雑な帰無モデルに依存せずに、推定された因果接続に対する信頼性の高い統計的有意性測定を提供するか？

主な発見

• lsNGCは、短時間系列データから方向性があり非線形的で多次元的な因果ネットワークを効果的に回復でき、最大34ノードのシステムで従来の二変量および多次元的手法を上回った。
• 合成された混沌とした系において、lsNGCはカーネルグレインジャ因果やローカルモデルと比較して真の因果構造をよりよく捉えており、誤った間接的接続の削減において特に優れた性能を示した。
• fMRIデータに適用した結果、対称化と特徴量選択を経て、lsNGCが生成した結合行列を用いて、HAND患者と対照群を分類する際、平均AUC 0.88、正解率0.77を達成した。この際、わずか15の特徴量のみを用いた。
• 分類のための最適な特徴量セットサイズは15であった。これは、臨床群間のネットワーク差を最も効果的に捉える、少数の高判別力特徴量で十分であることを示している。
• lsNGCはf統計量を用いた統計的妥当な有意性検定を提供しており、計算コストの高い代替データ生成を必要とせず、信頼性の高い推論を可能にした。
• ケンダールのτに基づく特徴量選択により、高次元の結合行列からの冗長性とノイズが効果的に低減され、分類器の性能と計算効率が向上した。