[논문 리뷰] A Comparison of Variational Bayes and Hamiltonian Monte Carlo for Bayesian fMRI Time Series Analysis with Spatial Priors

Ming Teng, Timothy D. Johnson외 1명|arXiv (Cornell University)|2016. 09. 07.

Statistical Methods and Bayesian Inference인용 수 3

한 줄 요약

이 연구는 공간 사전분포를 고려한 베이지안 fMRI 시간열 분석에서 변분 베이즈(VB)와 해밀토니안 몬테카를로(HMC)를 비교한다. 시뮬레이션 연구를 통해 추정 정확도, 사후 분산, 공간 스무딩, 계산 시간을 평가한다. HMC는 더 계산 비용이 많이 들지만, VB는 매우 유사한 결과를 도출하여 실무에서의 사용을 지지하고 이 모델에 대한 근사의 품질을 검증한다.

ABSTRACT

We consider Bayesian computation for a Bayesian fMRI time series model with spatial priors. A previously derived variational Bayes (VB) algorithm based on a mean field approximation is currently implemented in the Statistical Parametric Mapping (SPM) software. To examine the accuracy of this VB approximation we derive Hamiltonian Monte Carlo (HMC) for this model and conduct simulation studies to compare its performance with VB in terms of estimation accuracy, posterior variability, the spatial smoothness of estimated images, and computation time. As expected we find that the computation time required for VB is considerably less than that for HMC. Somewhat surprisingly, we find that the two approaches produce very similar results for the metrics and simulation studies considered, suggesting that the quality of the VB approximation in general may be quite good for this model. Some minor differences between the two approaches are found and these are discussed. Overall, our work helps to justify the use of VB for the specific model under consideration, and our software implementation of HMC can be used to compliment and check the accuracy of the VB approximation for any given dataset.

연구 동기 및 목표

• 통계적 영역 매핑(SPM)에서 사용하는 변분 베이즈(VB) 근사의 정확도를 fMRI 시간열에 공간 사전분포를 적용한 모델에서 평가하기 위해.
• 동일한 모델에 대해 더 정확하지만 더 느린 대안으로 해밀토니안 몬테카를로(HMC) 알고리즘을 개발하고 구현하기 위해.
• 추정 정확도, 사후 분산, 추정 이미지의 공간 스무딩, 계산 시간 등 주요 지표에서 VB와 HMC를 비교하기 위해.
• VB 근사가 실무적인 fMRI 분석에 충분히 신뢰할 수 있는가를 평가하기 위해.
• 모든 데이터셋에 대해 VB 결과의 정확성을 검증할 수 있는 기준이 되는 HMC 구현을 제공하기 위해.

제안 방법

• 공간 사전분포를 가진 베이지안 fMRI 시간열 모델에 대해 해밀토니안 몬테카를로(HMC) 알고리즘을 유도하기 위해.
• 기울기를 기반으로 한 샘플링 접근법을 사용하여 VB보다 더 정확하게 사후 분포를 탐색하는 HMC를 구현하기 위해.
• VB에서 평균 필드 근사를 사용하여 사후 분포를 단순화하고 빠른 계산을 가능하게 하기 위해.
• 여러 성능 지표에서 VB와 HMC를 비교하기 위해 통제된 조건에서 시뮬레이션 연구를 수행하기 위해.
• 신경생물학적 기대와 일치하는 바를 고려해 추정된 활성도 지도의 스무딩을 강제하기 위해 공간 사전분포를 적용하기 위해.
• VB 근사의 품질을 평가하기 위해 HMC 결과를 기준으로 삼기 위해.

실험 결과

연구 질문

• RQ1 공간 사전분포를 고려한 베이지안 fMRI 시간열 분석에서 변분 베이즈(VB)의 추정 정확도는 해밀토니안 몬테카를로(HMC)와 어떻게 비교되는가?
• RQ2 이 모델에서 VB와 HMC 간의 사후 분산은 어떤가?
• RQ3 VB와 HMC 간의 추정 활성도 지도의 공간 스무딩 특성은 어떻게 비교되는가?
• RQ4 이 모델에서 VB와 HMC 간의 계산 시간의 상호 교환 관계는 어떠한가?
• RQ5 이 맥락에서 VB 근사는 진정으로 사후 분포를 얼마나 정확히 반영하는가?

주요 결과

• VB의 계산 시간은 기댓값에 비해 상당히 짧으며, 이는 결정론적 근사 접근법 덕분이다.
• 계산 비용의 차이에도 불구하고 VB와 HMC는 추정 정확도 및 활성도 지도의 공간 스무딩을 포함한 모든 평가 지표에서 매우 유사한 결과를 도출한다.
• VB와 HMC 간의 미세한 차이가 관찰되며, 특히 사후 분산에서 두드러지지만, 이러한 차이는 VB 근사의 타당성을 훼손할 정도로 크지 않다.
• 결과의 높은 유사성은 이 특정 fMRI 모델에 공간 사전분포를 적용한 평균 필드 VB 근사가 매우 높은 품질임을 시사한다.
• HMC 구현은 각 데이터셋 기반으로 VB 결과의 정확성을 검증할 수 있는 신뢰할 수 있는 기준이 된다.
• 연구 결과는 SPM에서 VB의 계속된 사용을 지지하며, HMC가 정확도 검증을 위한 보완 도구로서의 가치를 강조한다.