[論文レビュー] STORE: Sparse Tensor Response Regression and Neuroimaging Analysis

Will Wei Sun, Lexin Li|arXiv (Cornell University)|Sep 15, 2016

Tensor decomposition and applications参考文献 36被引用数 52

ひとこと要約

本稿では、要素別スパarsityと低ランク構造を統合することで、高次元神経画像データを分析するためのスパーステンソル応答回帰モデルであるSTOREを提案する。本モデルはパラメータ推定に交互最適化アルゴリズムを用い、計算誤差と統計誤差の幾何的収束を示す非漸近的誤差バインディングを確立する。このバインディングにより、テンソル次元が標本サイズとともに指数関数的に増大しても問題なく対応可能であり、自閉症スペクトラム障害（ASD）のfMRIデータを用いた実験で生物学的に妥当な結果が得られた。

ABSTRACT

Motivated by applications in neuroimaging analysis, we propose a new regression model, Sparse TensOr REsponse regression (STORE), with a tensor response and a vector predictor. STORE embeds two key sparse structures: element-wise sparsity and low-rankness. It can handle both a non-symmetric and a symmetric tensor response, and thus is applicable to both structural and functional neuroimaging data. We formulate the parameter estimation as a non-convex optimization problem, and develop an efficient alternating updating algorithm. We establish a non-asymptotic estimation error bound for the actual estimator obtained from the proposed algorithm. This error bound reveals an interesting interaction between the computational efficiency and the statistical rate of convergence. When the distribution of the error tensor is Gaussian, we further obtain a fast estimation error rate which allows the tensor dimension to grow exponentially with the sample size. We illustrate the efficacy of our model through intensive simulations and an analysis of the Autism spectrum disorder neuroimaging data.

研究の動機と目的

• 神経画像解析におけるテンソル値応答の統合的回帰フレームワークの構築を目的とし、対称的（機能的）および非対称的（構造的）なデータタイプを両方対応可能とする。
• モデルの複雑さを低減しつつ科学的解釈可能性を維持するため、要素別スパarsityと低ランク性の二重のスパarsity構造を組み込む。
• 交互最適化アルゴリズムから導出される推定量の有限標本誤差バインディングを確立し、計算収束と統計的精度の関係を明示する。
• 特にテンソル次元が標本サイズとともに指数関数的に増大する状況においても、スケーラブルかつ統計的に妥当な推論を可能にする。
• 実際の自閉症スペクトラム障害（ASD）神経画像データに本手法を適用し、生物学的に関連性のある脳領域および機能的結合パターンを同定すること。

提案手法

• 係数テンソルにスパarsityおよび低ランク制約を課した非凸最適化問題としてテンソル応答回帰を定式化する。
• 交互更新アルゴリズムを採用：ステップ1では、スパーステンソル分解にための切断テンソルパワー法を用いる。ステップ2では、閉形式で解けるバイ凸部分問題を解く。
• 誤差テンソルの構造を定量化し、非漸近的解析を可能にするために、新たなスパーススペクトルノルム η(n⁻¹∑Ei, s) を導入する。
• 計算誤差（幾何的減少）と統計誤差（反復回数に依存しない）に分解される有限標本誤差バインディングを導出する。
• 収束速度を制御する収縮係数 κ ∈ (0,1) を用い、計算誤差が統計誤差に支配される場合の停止ルールをガイドする。
• fALFFの3次元テンソルおよびfMRIデータからの2次元対称部分相関行列の両方を対象とし、解剖的ラベルにはAALアトラスを用いる。

実験結果

リサーチクエスチョン

• RQ1 統一された回帰モデルは、神経画像解析における対称的および非対称的テンソル応答を処理でき、構造的および機能的MRIデータの統合的分析を可能にするか？
• RQ2 要素別スパarsityと低ランク構造をテンソル回帰で同時に強制することで、解釈可能性と計算効率を向上させられるか？
• RQ3 提案されたアルゴリズムの有限標本推定誤差の挙動は何か？最適化過程において計算誤差と統計誤差はどのように相互作用するか？
• RQ4 誤差テンソルがガウス分布に従う場合、テンソル次元が標本サイズとともに指数関数的に増大しても、誤差率が速やかに減少するか？
• RQ5 本モデルは、実際のfMRIデータを用いて、自閉症スペクトラム障害において生物学的に意味のある脳領域および結合パターンを同定できるか？

主な発見

• 提案されたSTORE手法は、ASD群と対照群の間で明確なfALFFパターンを示す少数の脳領域（例：小脳、上頭頂小回、楔前回）を効果的に同定した。
• STOREで推定された係数テンソルは、自閉症において一貫した変化を示す自発的脳活動の違いを明らかにした。特に小脳の変化は、既存の文献と整合的である。
• 2次元対称部分相関行列応答の場合、STOREは20の主要な脳ネットワークリンクを同定し、その多くが左側頭回および左中前頭回に集中しており、既知のASD関連の結合障害と一致する。
• 非漸近的誤差バインディングにより、計算誤差が反復回数とともに幾何的減少することが示され、ガウスノイズ下では統計誤差が O_p(√(s³ log(d₁d₂d₃)/n)) で有界となる。この結果、テンソル次元が標本サイズとともに指数関数的に増大しても問題ない。
• テンソル次数が1の場合、統計誤差は O_p(√(s log d / n)) に簡略化され、高次元ベクトル回帰における既知のミニマックス最適レートと一致する。