[論文レビュー] Learn to Generate Time Series Conditioned Graphs with Generative Adversarial Nets.

Shanchao Yang, Jing Liu+2 more|arXiv (Cornell University)|Mar 3, 2020

Bioinformatics and Genomic Networks参考文献 30被引用数 5

ひとこと要約

本稿では、多変量時系列データを条件として関係グラフを生成する新規の生成的対抗ネットワーク、TSGG-GANを提案する。遺伝子調節ネットワークのようなノードレベルの関係をモデル化する。時系列とグラフ表現を同時に学習することで、意味的相互依存関係を捉え、合成および実世界のデータセットにおいて、現実的で文脈に整合したグラフを生成する点でベースラインを上回る。

ABSTRACT

Deep learning based approaches have been utilized to model and generate graphs subjected to different distributions recently. However, they are typically unsupervised learning based and unconditioned generative models or simply conditioned on the graph-level contexts, which are not associated with rich semantic node-level contexts. Differently, in this paper, we are interested in a novel problem named Time Series Conditioned Graph Generation: given an input multivariate time series, we aim to infer a target relation graph modeling the underlying interrelationships between time series with each node corresponding to each time series. For example, we can study the interrelationships between genes in a gene regulatory network of a certain disease conditioned on their gene expression data recorded as time series. To achieve this, we propose a novel Time Series conditioned Graph Generation-Generative Adversarial Networks (TSGG-GAN) to handle challenges of rich node-level context structures conditioning and measuring similarities directly between graphs and time series. Extensive experiments on synthetic and real-word gene regulatory networks datasets demonstrate the effectiveness and generalizability of the proposed TSGG-GAN.

研究の動機と目的

• 豊富なノードレベルの時系列文脈への条件付けが欠落している既存のグラフ生成モデルにおけるギャップを解消すること。
• 時系列の各成分（例：遺伝子）同士の相互関係を、その時間的挙動に条件付けた動的グラフ構造としてモデル化すること。
• 時系列と生成グラフの類似性を測る統一フレームワークを構築し、訓練および評価の改善を図ること。
• 時系列データが下位の調節メカニズムを反映する分野（例：システム生物学）において、解釈可能で一般化可能なグラフ生成を可能にすること。

提案手法

• 生成器は、入力として与えられた多変量時系列に条件付けられたグラフを生成する条件付きGANフレームワークを採用する。
• 生成器は、時系列埋め込みから得られるノード表現をモデル化するためにグラフニューラルネットワーク（GNN）を用いる。
• 判別器は、データから得た実際のグラフと生成されたグラフを識別するように学習され、時系列およびグラフレベルの特徴から監視情報を得る。
• ノードレベルの条件付けは、時系列表現とグラフ構造学習を整合させるためのアテンションメカニズムによって実現される。
• 敵対的損失と再構成損失を組み合わせた多目的損失関数により、グラフの現実性と時系列の忠実度を同時に最適化する。
• 時系列は、時間的エンコーダ（例：LSTMまたはTransformer）を用いて埋め込まれ、生成器への文脈的入力を提供する。

実験結果

リサーチクエスチョン

• RQ1 生成モデルは、時系列成分間の動的相互関係を反映した現実的なグラフを生成できるか？
• RQ2 モデルは、時系列データからノードレベルの意味的構造をどれほど効果的に捉え、グラフ生成をガイドできるか？
• RQ3 時系列への条件付けが、無条件またはグラフレベルに条件付けられたモデルと比較して、生成グラフの忠実度と解釈可能性をどの程度向上させるか？
• RQ4 モデルは、多様な時系列パターンおよび実世界の生物学的データセットに対してどれほど一般化できるか？

主な発見

• 構造的類似性およびノード属性再構成の観点から、TSGG-GANはベースラインモデルを上回るグラフ生成品質を達成した。
• 本モデルは、実際の遺伝子調節ネットワークに観察される下位の相互依存関係を保持するグラフを、より高い忠実度で生成した。
• 時系列に基づく条件付き生成は、無条件またはグラフレベルに条件付けられたベースラインと比較して、より解釈可能で生物学的に妥当なグラフ構造を生成した。
• 本モデルは、合成および実世界のデータセットにおいて、未観測の時系列パターンに対しても良好に一般化し、高いロバスト性を示した。