[論文レビュー] Learning Neural Representations of Human Cognition across Many fMRI Studies

Arthur Mensch, Julien Mairal+3 more|arXiv (Cornell University)|Oct 31, 2017

Functional Brain Connectivity Studies参考文献 35被引用数 19

ひとこと要約

本論文は、複数のfMRI研究を統合的に分析することで、低次元で認知に配慮した脳活動マップの表現を学習するマルチタスク学習フレームワークを提案する。マルチスケール次元削減とドロップアウト正則化付きプロジェクションを適用することで、心理的状態のクロスデータセット分類性能が向上し、小規模データセットでも優れた性能を発揮するとともに、事前に定義されたオントロジーもタスク対応も不要な解釈可能な普遍的認知テンプレートを同定する。

ABSTRACT

Cognitive neuroscience is enjoying rapid increase in extensive public brain-imaging datasets. It opens the door to large-scale statistical models. Finding a unified perspective for all available data calls for scalable and automated solutions to an old challenge: how to aggregate heterogeneous information on brain function into a universal cognitive system that relates mental operations/cognitive processes/psychological tasks to brain networks? We cast this challenge in a machine-learning approach to predict conditions from statistical brain maps across different studies. For this, we leverage multi-task learning and multi-scale dimension reduction to learn low-dimensional representations of brain images that carry cognitive information and can be robustly associated with psychological stimuli. Our multi-dataset classification model achieves the best prediction performance on several large reference datasets, compared to models without cognitive-aware low-dimension representations, it brings a substantial performance boost to the analysis of small datasets, and can be introspected to identify universal template cognitive concepts.

研究の動機と目的

• 異なる研究間で異種のfMRIデータを集約し、構造的な認知知識を抽出する課題に対処すること。
• 心理的タスクに関する予測情報を保持する低次元脳表現を学習するスケーラブルで自動化された手法を開発すること。
• 明示的なタスク対応やオントロジーを必要とせず、大規模なfMRIリポジトリから新しい小規模データセットへの転移学習を可能にすること。
• 共有表現学習を通じて多様なfMRI実験を統合的にモデリングすることにより、普遍的な認知的構成要素を同定すること。

提案手法

• 共有プロジェクション行列を用いて、統計的脳マップに対して2段階の線形次元削減を実行し、低次元で認知に配慮した表現を学習する。
• ドロップアウト正則化を用いた因子分解型非凸最適化を採用することで、一般化性能を向上させ、特に小規模データセットにおいて過学習を回避する。
• 研究間で共有重みを用いることでグローバルな表現空間を学習し、異なるタスクラベルを持つデータセット間での知識の転送を可能にする。
• 最終段階の分類ヘッドが低次元表現から心理的状態を予測し、テスト時推論では確率ベクトルとワードクラウドを用いて解釈可能にする。
• 無教師次元削減を休息状態データに適用し、初期化を保守的に行い、認知信号の整合性を保持する。
• 確率的最適化を用いてエンドツーエンドで訓練可能であり、大規模なマルチデータセットfMRIリポジトリへのスケーラビリティを実現する。

実験結果

リサーチクエスチョン

• RQ1 複数のfMRI研究にまたがる脳活動マップの統一的で低次元の表現を学習することで、心理的状態の分類性能を向上させることができるか？
• RQ2 認知に配慮したプロジェクションを用いたマルチデータセット表現学習は、小規模または限られたデータセットにおいて性能をどのように向上させるか？
• RQ3 事前に定義されたオントロジーやタスクマッピングに依存せずに、解釈可能な普遍的認知概念をどの程度同定できるか？
• RQ4 ドロップアウト正則化は、限られたデータでのfMRI表現学習における一般化性能向上にどのような役割を果たすか？
• RQ5 本モデルは、異種の実験設計を持つ多様な認知プロセスの背後にある共通の神経的構成要素を同定できるか？

主な発見

• 認知に配慮した低次元表現を備えないモデルと比較して、本モデルは複数の大規模基準fMRIデータセットで優れた予測性能を達成する。
• 認知に配慮したプロジェクション層の導入により、特に小規模データセットにおいて、アウトオブサンプル分類精度が顕著に向上する。
• 確率ベクトルをワードクラウドとして可視化することで、解釈可能な認知テンプレート（脳マップと関連する認知概念のペア）を効果的に同定する。
• ドロップアウト正則化は不可欠である：同じ因子分解最適化問題を解いても、ドロップアウトを含まないモデルは性能が著しく劣る。
• ドロップアウトを含む非凸的で明示的な因子分解形式は、トレースノルム正則化を用いた凸的マルチタスク学習よりも、精度および学習効率の両面で優れている。
• 本モデルは、共有認知的概念に裏付けられた表現を用いることで、既存のfMRIリポジトリから新しいタスクデータへの転移学習を可能にする。