[論文レビュー] Sparse Overlapping Sets Lasso for Multitask Learning and its Application to fMRI Analysis

Nikhil Rao, Christopher R. Cox+2 more|arXiv (Cornell University)|Nov 20, 2013

Sparse and Compressive Sensing Techniques参考文献 21被引用数 37

ひとこと要約

本稿では、空間的に重複する脳領域を特徴として選択するマルチタスク学習に適した凸最適化手法であるスパースオーバーラップセット（SOS）リッジを提案する。特にfMRI解析において、類似したが同一ではない特徴サブセットを選択できることで、lassoやグループlassoよりも優れた性能を示し、交差検証誤差をlasso比で5.8%、グループlasso比で2.3%低減した。

ABSTRACT

Multitask learning can be effective when features useful in one task are also useful for other tasks, and the group lasso is a standard method for selecting a common subset of features. In this paper, we are interested in a less restrictive form of multitask learning, wherein (1) the available features can be organized into subsets according to a notion of similarity and (2) features useful in one task are similar, but not necessarily identical, to the features best suited for other tasks. The main contribution of this paper is a new procedure called Sparse Overlapping Sets (SOS) lasso, a convex optimization that automatically selects similar features for related learning tasks. Error bounds are derived for SOSlasso and its consistency is established for squared error loss. In particular, SOSlasso is motivated by multi- subject fMRI studies in which functional activity is classified using brain voxels as features. Experiments with real and synthetic data demonstrate the advantages of SOSlasso compared to the lasso and group lasso.

研究の動機と目的

• グループlassoがタスク間で同一の特徴選択を強制するという限界を是正すること、これは特徴が類似しているが同一ではない場合にも適用可能である。
• 高次元データ、特に神経画像解析において、グループ内類似性とタスク間スパarsityパターンの両方を捉える手法を開発すること。
• 脳解剖学的構造が被験者間で異なるが機能的領域が空間的に重複する多被験者fMRI研究において、効果的な特徴選択を可能にすること。
• lassoとグループlassoを一般化する理論的裏付けのある正則化子を提供すること。二乗誤差損失に対する一貫性と誤差バウンドを確立すること。
• 選択されたボクセルが専門家が特定した機能的脳領域（ROIs）と一致することを示し、fMRIデータ解析における性能向上と解釈可能性の向上を実証すること。

提案手法

• SOSリッジ正則化子は、類似性（例：fMRIボクセル間の空間的近接性）に基づいて特徴を重複するグループに分解し、l1正則化とグループlasso正則化の組み合わせを適用することで、グループ内およびグループ間のスパarsityを促進する。
• 共通のグループ集合をタスク間で選択し、その後に選択されたグループ内からタスク固有のスパース解を同定する凸最適化問題を定式化する。
• スライディングウィンドウ（例：2ボクセルのシフトを伴う5×5×1ボクセル）を用いて、脳イメージングデータにおける空間的近接性を捉える重複グループを定義する。
• プロキシマルアルゴリズムを用いて正則化パスを最適化し、グループ選択と個別特徴選択のバランスをとった効率的な解の計算を可能にする。
• 理論的分析により、二乗誤差損失下での誤差バウンドを導出し、先行研究を重複するグループ構造に拡張して、SOSリッジの一貫性を確立する。
• 正則化パrameterのチューニングに4分割交差検証を用い、分類精度とROI整合性を指標として性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 重複する特徴グループを選択するマルチタスク学習手法が、標準のlassoやグループlassoと比較して、多被験者fMRI研究における予測精度を向上させることができるか？
• RQ2 SOSリッジは、fMRIデータにおいて被験者間の空間的類似性を効果的に活用しながら、神経応答パターンの個人差を許容できるか？
• RQ3 SOSリッジが選択するボクセルが、認知的タスクに関連する専門家が特定した機能的脳領域（ROIs）とどの程度一致するか？
• RQ4 交差検証誤差とスパarsityパターンの観点から、SOSリッジはlassoやグループlassoと比較してどの程度優れているか？
• RQ5 SOSリッジは、マルチタスク回帰の標準的統計的仮定の下で一貫性があり、理論的にも妥当な正則化手法と見なせるか？

主な発見

• SOSリッジは、個別lasso（33.3%）と比較して有意に低い交差検証誤差率27.47%（p = 0.004）を達成し、予測性能の向上を示した。
• グループlasso（31.1%）と比較して2.3%の誤差低減を達成し、共通の解剖的領域内でタスク固有のスパarsityパターンをよりよく捉えていることが示された。
• SOSリッジが選択したボクセルの平均70.31%が専門家が特定したROIs内に位置し、lasso（46.11%）やグループlasso（50.89%）と比較して顕著に高い水準を示し、生物学的解釈可能性の向上を裏付けた。
• 本手法は、スパースでクラスタ化された解を生成し、脳の空間的組織性を反映しており、すべての被験者で同じボクセルを選択するグループlassoの「濃い紫色の霞み」を回避した。
• 理論的分析により、二乗誤差損失下でのSOSリッジの一貫性が確認され、誤差バウンドが導出された。これにより統計的信頼性が裏付けられた。
• SOSリッジは、正確な空間正規化や被験者間のアライメントを必要とせず、粗く整列されたデータの範囲内で機能的関連脳領域を効果的に同定できた。