[論文レビュー] Recovering low-rank structure from multiple networks with unknown edge distributions.

Keith Levin, Asad Lodhia+1 more|arXiv (Cornell University)|Jun 13, 2019

Functional Brain Connectivity Studies参考文献 50被引用数 7

ひとこと要約

本稿では、未知で多様なエッジノイズ分布を有する複数のアラインされたネットワークから、共有平均構造を活用して低ランク構造を回復する手法を提案する。重み付き隣接行列の低ランク切断に関する有限標本における集中不等式を確立し、合成データおよび統合的機能的磁気共鳴画像法（fMRI）による統合的脳画像解析において、推定と推論の向上を示した。

ABSTRACT

In increasingly many settings, data sets consist of multiple samples from a population of networks, with vertices aligned across these networks. For example, brain connectivity networks in neuroscience consist of measures of interaction between brain regions that have been aligned to a common template. We consider the setting where the observed networks have a shared expectation, but may differ in the noise structure on their edges. Our approach exploits the shared mean structure to denoise edge-level measurements of the observed networks and estimate the underlying population-level parameters. We also explore the extent to which edge-level errors influence estimation and downstream inference. We establish a finite-sample concentration inequality for the low-rank eigenvalue truncation of a random weighted adjacency matrix that may be of independent interest. The proposed approach is illustrated on synthetic networks and on data from an fMRI study of schizophrenia.

研究の動機と目的

• 複数のアラインされたネットワークが非一様なエッジノイズ分布を示す状況下で、集団レベルのネットワーク構造を推定する課題に対処すること。
• ネットワーク間で共有される平均構造を活用することで、推定の精度と下流の推論を向上させること。
• エッジノイズ分布が未知である場合の重み付き隣接行列の低ランク切断に対する有限標本における集中不等式を確立すること。
• エッジレベルの誤差が複数ネットワーク設定におけるパrameter推定と推論に与える影響を評価すること。
• 本手法の有効性を、合成ネットワークおよび統合的脳画像解析における統合的機能的磁気共鳴画像法（fMRI）データを用いて示すこと。

提案手法

• 複数のアラインされたネットワークから構築した重み付き隣接行列に対して低ランク固有値切断を実行することで、潜在的な集団レベルの構造を回復する。
• ネットワーク間でエッジ重みの期待値が共有されることを活用し、個々のネットワーク測定値のデノイジングを実現する。
• エッジノイズ分布が未知で多様な場合でも適用可能な、確率的重み付き隣接行列の低ランク切断に関する有限標本における集中不等式が導出された。
• 各ネットワークを共通の低ランク平均行列のノイズ付加版としてモデル化し、ノイズ構造はネットワークごとに異なるものとした。
• 特に標本数が少ない状況下でも、ネットワーク間で情報のプールを実施することで信号回復を向上させる。
• 制御されたノイズを有する合成ネットワークと、統合的機能的磁気共鳴画像法（fMRI）による統合的脳画像解析の実データを用いて、手法の妥当性を検証した。

実験結果

リサーチクエスチョン

• RQ1 エッジノイズ分布が未知でネットワーク間で異なる状況下でも、どのようにして低ランクネットワーク構造を信頼性高く回復できるか？
• RQ2 非一様なエッジレベルの誤差は、複数ネットワーク解析における推定精度と下流の推論にどの程度影響を及えるか？
• RQ3 エッジノイズ分布が未知である場合に、重み付き隣接行列の低ランク切断に対して有限標本における集中不等式を確立できるか？
• RQ4 共有平均構造を活用することで、個別にネットワークを分析するのと比較して、デノイジングと推定がどの程度向上するか？
• RQ5 複雑なノイズ特性を有する実神経画像データにおいて、本手法の経験的性能はいかがなものか？

主な発見

• 提案手法は、非一様なノイズを有する複数のネットワーク間で共有される平均構造を活用することで、推定精度を顕著に向上させた。
• 重み付き隣接行列の低ランク切断に関する有限標本における集中不等式が確立され、本手法に理論的裏付けが与えられた。
• 本手法は、ノイズレベルや構造が異なる合成ネットワークにおいても、頑健な性能を示した。
• fMRIによる統合的脳画像解析において、本手法は個別ネットワーク解析と比較して、より一貫性があり生物学的に妥当なネットワークパターンを明らかにした。
• エッジレベルの誤差は推定に測定可能な影響を及えるが、ノイズの非一様性を考慮することで、管理可能な範囲に抑えられた。
• 有限標本条件下でも、真の低ランク構造を回復するという点で、ベースライン手法を上回る性能を示した。