[論文レビュー] Network Regression with Graph Laplacians

Yidong Zhou, Hans‐Georg Müller|arXiv (Cornell University)|Sep 7, 2021

Functional Brain Connectivity Studies被引用数 6

ひとこと要約

本稿では、グラフラプラシアンを用いて、ネットワーク価値の応答をもつ新しい内在的回帰フレームワークを提案する。条件付きフレシェ平均を、グローバルおよびローカル最小二乗法からの重みを用いたM推定量によってモデル化する。このアプローチは、経験過程理論を用いて漸近的収束速度を確立し、fMRIおよびタクシー網データにおいて優れた性能を示す。

ABSTRACT

Network data are increasingly available in various research fields, motivating statistical analysis for populations of networks where a network as a whole is viewed as a data point. Due to the non-Euclidean nature of networks, basic statistical tools available for scalar and vector data are no longer applicable when one aims to relate networks as outcomes to Euclidean covariates, while the study of how a network changes in dependence on covariates is often of paramount interest. This motivates to extend the notion of regression to the case of responses that are network data. Here we propose to adopt conditional Fréchet means implemented with both global least squares regression and local weighted least squares smoothing, extending the Fréchet regression concept to networks that are quantified by their graph Laplacians. The challenge is to characterize the space of graph Laplacians so as to justify the application of Fréchet regression. This characterization then leads to asymptotic rates of convergence for the corresponding M-estimators by applying empirical process methods. We demonstrate the usefulness and good practical performance of the proposed framework with simulations and with network data arising from resting-state fMRI in neuroimaging, as well as New York taxi records.

研究の動機と目的

• 非ユークリッド空間におけるネットワーク応答回帰のための理論的かつ内在的アプローチの不足に応える。
• 関係構造を損なうか、有効でないネットワーク確率を割り当てる埋め込みベースのアプローチの限界を克服する。
• 共変数に応じてネットワークトポロジーがどのように変化するかを理論的に裏付けられたフレームワークでモデル化する。
• 脳結合ネットワークなどのラベル付きネットワーク集団に対する回帰を可能にする。グラフラプラシアンを標準的表現として用いる。
• グラフラプラシアン空間における条件付きフレシェ平均のM推定量の漸近的理論を提供する。

提案手法

• 各ネットワークをそのグラフラプラシアン行列として表現し、ラベル付き単純ネットワークと一意に対応させることを活用する。
• ネットワーク回帰を、グラフラプラシアン空間における条件付きフレシェ平均推定問題として定式化し、ローカルおよびグローバル最小二乗法から得た重みを用いたM推定量を用いる。
• グラフラプラシアンの空間を特徴づけ、フレシェ回帰の正当性を保証し、数学的妥当性を確保する。
• 経験過程法を適用し、正則性条件の下でM推定量の漸近的収束速度を導出する。
• カーネルベースの重み付け方式を用いて、フレシェ平均推定におけるローカルおよびグローバル回帰の影響をバランスさせる。
• 対称正準半定値行列の空間におけるパワー距離を用いて、グラフラプラシアン間の距離を定義し、フレームワークを実装する。

実験結果

リサーチクエスチョン

• RQ1 非ユークリッド的幾何構造を尊重する理論的裏付けのあるネットワーク価値応答のための回帰フレームワークを開発できるか？
• RQ2 グラフラプラシアンを基本的表現として用いる場合、ネットワークデータの条件付きフレシェ平均はどのように推定できるか？
• RQ3 この非ユークリッド的回帰フレームワークにおけるM推定量の漸近的収束速度は何か？
• RQ4 埋め込みベースまたはベクトル化アプローチと比較して、本手法の精度および理論的支援の観点での優位性は何か？
• RQ5 本フレームワークは、年齢に伴う脳結合構造の変化のような共変数依存的ネットワーク構造の変化を効果的にモデル化できるか？

主な発見

• 経験過程理論を用いて、グラフラプラシアン空間における条件付きフレシェ平均のM推定量の漸近的収束速度が導出された。
• 埋め込み空間における有効でないネットワーク表現を回避し、ネットワーク空間の内在的幾何構造を保持することで、埋め込みベースのアプローチを上回る性能を発揮した。
• fMRIデータにおいて、認知機能低下のマーカーに敏感に反応し、年齢に伴う脳結合パターンの変化を的確に捉えた。
• ニューヨークのタクシー網データにおいて、時間帯や曜日という共変数に応じて変化する意味のある地域的移動パターンを明らかにした。
• グローバルおよびローカル最小二乗法の両方の重みを用いることで、純粋にローカルまたはグローバルな重み付け方式と比較して、推定の安定性と精度が向上した。
• グラフラプラシアンの空間に対する理論的裏付けが提供され、ネットワーク価値データへのフレシェ回帰の厳密な適用が可能になった。