[論文レビュー] Multi-view Graph Embedding with Hub Detection for Brain Network Analysis

Guixiang Ma, Chun-Ta Lu+3 more|arXiv (Cornell University)|Sep 12, 2017

Functional Brain Connectivity Studies参考文献 28被引用数 6

ひとこと要約

本論文は、MVGE-HDを提案する。これは、脳ネットワークにおけるハブを同時に学習・検出することで、ハブに起因する境界のぼやけを軽減し、クラスタリングの明確さを向上させる自己重み付きマルチビュー・グラフ埋め込みフレームワークである。HIVおよび双極性障害のデータセットを用いた評価において、fMRIとDTIの両ビューにおいてより判別力があり統一されたグラフ表現を実現することで、神経疾患の区別に優れた性能を達成した。

ABSTRACT

Multi-view graph embedding has become a widely studied problem in the area of graph learning. Most of the existing works on multi-view graph embedding aim to find a shared common node embedding across all the views of the graph by combining the different views in a specific way. Hub detection, as another essential topic in graph mining has also drawn extensive attentions in recent years, especially in the context of brain network analysis. Both the graph embedding and hub detection relate to the node clustering structure of graphs. The multi-view graph embedding usually implies the node clustering structure of the graph based on the multiple views, while the hubs are the boundary-spanning nodes across different node clusters in the graph and thus may potentially influence the clustering structure of the graph. However, none of the existing works in multi-view graph embedding considered the hubs when learning the multi-view embeddings. In this paper, we propose to incorporate the hub detection task into the multi-view graph embedding framework so that the two tasks could benefit each other. Specifically, we propose an auto-weighted framework of Multi-view Graph Embedding with Hub Detection (MVGE-HD) for brain network analysis. The MVGE-HD framework learns a unified graph embedding across all the views while reducing the potential influence of the hubs on blurring the boundaries between node clusters in the graph, thus leading to a clear and discriminative node clustering structure for the graph. We apply MVGE-HD on two real multi-view brain network datasets (i.e., HIV and Bipolar). The experimental results demonstrate the superior performance of the proposed framework in brain network analysis for clinical investigation and application.

研究の動機と目的

• 既存のマルチビュー・グラフ埋め込み手法がハブを無視するという限界に対処し、脳ネットワークにおけるノードクラスタ境界のぼやけを軽減すること。
• マルチビュー・グラフ埋め込みとハブ検出を同時に最適化することで、両タスクが相互に性能向上をもたらす仕組みを構築すること。
• fMRIとDTIの複数の神経画像視点において、統一的かつ低次元のノード埋め込みを学習し、高次数のハブノードによる破壊的影響を最小限に抑えること。
• 埋め込み品質とハブ検出への寄与度に基づき、視点の重要性を自動的に割り当てる自己重み付け機構を構築すること。
• より明確で判別力のあるクラスタリング構造を提供することで、マルチビュー脳ネットワークにおける神経疾患の臨床的分類をより正確に実現すること。

提案手法

• 統一された目的関数を用いて、グラフ埋め込みとハブ検出を同時に学習する自己重み付き最適化フレームワークを提案する。
• fMRIやDTIなどの複数のビューを統合し、構造的および機能的結合パターンを保持する共通の低次元ノード表現を学習する。
• 埋め込み学習中にクラスタ境界のぼやけに与えるハブの影響を低減する、ハブに配慮した正則化項を組み込む。
• 融合されたビューから構築された統一されたグラフラプラシアンを用いたスペクトルクラスタリングを実装し、視点の重みは最適化によりエンドツーエンドで学習する。
• 埋め込みとハブ検出を交互に最適化する戦略を採用し、両タスクを同時に改善する。
• 一貫性のあるクラスタリングを保ちつつ、ハブの解釈可能性を維持するため、最小記述長に基づくアプローチを採用する。

実験結果

リサーチクエスチョン

• RQ1 マルチビュー・グラフ埋め込みとハブ検出の共同学習は、脳ネットワークにおけるノードクラスタリングの明確さと判別力の向上に寄与するか？
• RQ2 境界をまたぐ重要なノードとしてのハブは、マルチビュー・グラフ埋め込みの過程で効果的にモデル化可能か？ これによりクラスタ境界のぼやけを防げるか？
• RQ3 fMRI や DTI などの異なる神経画像視点を、埋め込み品質とハブ検出精度を向上させるために最適に自動重み付けする方法は何か？
• RQ4 マルチビュー埋め込みプロセスにハブ検出を組み込むことで、神経疾患の臨床的分類性能が向上するか？
• RQ5 HIV や双極性障害を有する患者と健常対照群との間で、マルチビュー脳ネットワークにおけるハブパターンにどの程度の差が生じるか？

主な発見

• MVGE-HD は、マルチビュー脳ネットワークにおけるハブに起因する境界のぼやけを軽減することで、HIV および双極性障害の両データセットにおいてクラスタリング品質を顕著に向上させた。
• 最先端のマルチビュークラスタリングベースラインと比較して、正規化相互情報量（NMI）と調整ランダムインデックス（ARI）スコアが高く、優れたクラスタリング性能を示した。
• 自己重み付け機構は、fMRI と DTI 視点の相対的重要度を的確に特定し、DTI は構造的結合情報を持つため、通常はより高い重みが割り当てられた。
• MVGE-HD におけるハブ検出は、HIV 患者および双極性障害患者に健常対照群とは異なるハブパターンを明らかにし、臨床的妥当性を裏付けた。
• 埋め込みとハブ検出の共同最適化により、より強固で判別力のある表現が得られ、神経疾患の下流分類性能が向上した。
• 実験結果から、埋め込み学習プロセスからハブを除外するとクラスタリング性能が劣化することが確認され、ハブに配慮したモデリングの必要性が裏付けられた。