[논문 리뷰] A central limit theorem for an omnibus embedding of random dot product graphs

Keith Levin, Avanti Athreya외 3명|arXiv (Cornell University)|2017. 05. 25.

Functional Brain Connectivity Studies인용 수 14

한 줄 요약

이 논문은 동일한 정점 집합을 가진 다수의 랜덤 도트 곱 그래프를 공통의 저차원 공간에 통합하여 임bedding하는 옴니버스 임베딩을 소개한다. 이는 원칙적인 다중표본 그래프 추론을 가능하게 하며, 임베딩에 대한 중심극한정리(central limit theorem)를 확립하여 쌍별 정렬 없이 정확한 통계적 추론을 가능하게 하며, 연결망 데이터에서 인구 수준의 뇌망 구조적 차이를 드러낸다.

ABSTRACT

Performing statistical analyses on collections of graphs is of import to many disciplines, but principled, scalable methods for multi-sample graph inference are few. Here we describe an embedding in which multiple graphs on the same vertex set are jointly embedded into a single space with a distinct representation for each graph. We prove a central limit theorem for this embedding and demonstrate how it streamlines graph comparison, obviating the need for pairwise subspace alignments. The omnibus embedding achieves near-optimal inference accuracy when graphs arise from a common distribution and yet retains discriminatory power as a test procedure for the comparison of different graphs. Moreover, this joint embedding and the accompanying central limit theorem are important for answering multiscale graph inference questions, such as the identification of specific subgraphs or vertices responsible for similarity or difference across networks. We illustrate this with a pair of analyses of connectome data derived from dMRI and fMRI scans of human subjects. In particular, we show that this embedding allows the identification of specific brain regions associated with population-level differences. Finally, we sketch how the omnibus embedding can be used to address pressing open problems, both theoretical and practical, in multisample graph inference.

연구 동기 및 목표

• 동일한 정점 집합을 가진 다수의 그래프 간에 확장 가능하고 원칙적인 통계적 추론을 위한 방법을 개발하는 것.
• 그래프 간 비교 시 쌍별 부분공간 정렬이 필요 없도록 공동 임베딩을 가능하게 하여 이를 제거하는 것.
• 다수의 그래프에 대한 추론을 위한 이론적 기반—중심극한정리—을 제공하는 것.
• 인구 간 네트워크 유사성 또는 차이를 유발하는 특정 부분그래프 또는 정점들을 규명하는 것.
• 복잡한 네트워크, 예를 들어 연결망과 같이 다중 척도 추론이 가능하고 높은 분류 능력을 지닌 분석을 가능하게 하는 것.

제안 방법

• 옴니버스 임베딩은 동일한 정점 집합을 가진 다수의 그래프로부터 단일 공동 인cidencematrice를 구성하여 그래프의 구조를 유지하면서도 공통된 표현을 가능하게 한다.
• 옴니버스 행렬에 스펙트럼 임베딩을 적용하여 각 그래프를 공통된 공간 내에서 저차원 벡터 표현으로 변환한다.
• 임베딩된 벡터에 대한 중심극한정리를 증명하여 미약한 정규성 조건 하에서 渐近 정규성을 확립한다.
• 이 방법은 각 그래프가 잠재 위치 벡터의 내적으로 생성된다는 랜덤 도트 곱 그래프 모델을 기반으로 한다.
• 임베딩된 점들의 점점 정규분포에 수렴하는 성질을 활용하여 통계적 추론을 위한 검정 통계량을 제공한다.
• 반복적인 정렬 절차 없이도 그래프 표현 간 직접 비교가 가능하도록 한다.

실험 결과

연구 질문

• RQ1 동일한 정점 집합을 가진 다수의 그래프에 대한 공동 임베딩이 쌍별 정렬 없이도 정확하고 확장 가능한 추론을 가능하게 하는가?
• RQ2 그래프들이 동일한 분포 하에서 교환 가능할 경우 옴니버스 임베딩이 근사적으로 최적의 추론 정확도를 달성하는가?
• RQ3 임베딩이 특정 부분그래프 또는 정점들을 감지하고, 인구 간 네트워크 차이의 원인을 국소화할 수 있는가?
• RQ4 옴니버스 임베딩에 대한 중심극한정리는 다중 척도 그래프 분석에서 통계적 추론을 어떻게 지원하는가?
• RQ5 이 방법은 실제 연결망 데이터에 적용되어 인구 수준의 네트워크 차이와 연관된 뇌 영역을 식별할 수 있는가?

주요 결과

• 그래프들이 동일한 기초 분포에서 생성된 경우 옴니버스 임베딩은 근사적으로 최적의 추론 정확도를 달성한다.
• 임베딩된 벡터에 대한 중심극한정리는 쌍별 그래프 정렬이 필요 없이도 유효한 통계적 추론(예: 가설 검정)을 가능하게 한다.
• 이 방법은 dMRI 및 fMRI 스캔에서 유도된 연결망 네트워크에서 인구 수준의 차이와 연관된 특정 뇌 영역을 성공적으로 규명한다.
• 옴니버스 임베딩은 서로 다른 분포에서 생성된 그래프 간의 차이를 탐지하는 데에도 강력한 분류 능력을 유지한다.
• 공동 임베딩 프레임워크는 다중 척도 추론을 지원하여 네트워크 유사성 또는 이질성의 원인이 되는 부분그래프 또는 정점들을 식별할 수 있다.
• 중심극한정리가 제공하는 이론적 기반 덕분에 고차원 그래프 공간에서의 강력한 추론이 가능하다.