[논문 리뷰] Bootstrapping Graph Convolutional Neural Networks for Autism Spectrum Disorder Classification

Rushil Anirudh, Jayaraman J. Thiagarajan|arXiv (Cornell University)|2017. 04. 24.

Autism Spectrum Disorder Research인용 수 9

한 줄 요약

이 논문은 초기 그래프 구축에 민감하지 않게 하기 위해 엣지 드롭아웃을 통해 앙상블 그래프를 생성하는 부트스트랩드 그래프 컨volution 네트워크(G-CNN) 프레임워크를 제안한다. fMRI 데이터를 이용한 자폐 스펙트럼 장애(ASD) 분류 성능을 향상시킨다. 이 방법은 ABIDE 데이터셋에서 기존 최고 성능인 70.86%의 정확도를 달성하며, 깨끗한, 노이즈가 있는, 그리고 단순한 그래프 모두에서 뛰어난 내성성을 보여준다.

ABSTRACT

Using predictive models to identify patterns that can act as biomarkers for different neuropathoglogical conditions is becoming highly prevalent. In this paper, we consider the problem of Autism Spectrum Disorder (ASD) classification where previous work has shown that it can be beneficial to incorporate a wide variety of meta features, such as socio-cultural traits, into predictive modeling. A graph-based approach naturally suits these scenarios, where a contextual graph captures traits that characterize a population, while the specific brain activity patterns are utilized as a multivariate signal at the nodes. Graph neural networks have shown improvements in inferencing with graph-structured data. Though the underlying graph strongly dictates the overall performance, there exists no systematic way of choosing an appropriate graph in practice, thus making predictive models non-robust. To address this, we propose a bootstrapped version of graph convolutional neural networks (G-CNNs) that utilizes an ensemble of weakly trained G-CNNs, and reduce the sensitivity of models on the choice of graph construction. We demonstrate its effectiveness on the challenging Autism Brain Imaging Data Exchange (ABIDE) dataset and show that our approach improves upon recently proposed graph-based neural networks. We also show that our method remains more robust to noisy graphs.

연구 동기 및 목표

• 자폐 스펙트럼 장애(ASD) 분류에서 인구 그래프 선택에 민감한 그래프 컨volution 네트워크(G-CNN)의 문제를 해결하기 위해.
• fMRI 기반 ASD 예측에서 약한 구조나 노이즈가 있는 인구 그래프를 사용할 경우의 분류 내성성을 향상시키기 위해.
• 전문가가 설계한 그래프에 의존도를 줄이기 위해 그래프 무작위화를 통한 앙상블 학습을 활용한 훈련 전략을 개발하기 위해.
• 부트스트랩드 G-CNN가 추가 데이터나 복잡한 그래프 구축 없이도 최고 수준의 기존 방법을 초월할 수 있음을 입증하기 위해.

제안 방법

• 성별, 연구소, fMRI 연결성 패턴 등의 주제 수준 특징을 사용하여 초기 인구 그래프를 구축한다.
• 기존 그래프에서 30–40%의 엣지를 무작위로 제거하여 랜덤화된 그래프의 앙상블을 생성한다.
• 각 랜덤화된 그래프에 대해 ChebNet 근사법을 사용하여 차수 3 이내의 체비셰프 다항식을 적용한 G-CNN를 별도로 훈련시킨다.
• 모든 앙상블 모델의 소프트맥스 출력을 평균 내어 예측을 융합하고, 평균 확률이 가장 높은 클래스를 선택한다.
• 모델 훈련 이전에 입력 차원을 2000개 특징으로 줄이기 위해 재귀적 특징 제거를 적용한다.
• 학습률 0.005, 드롭아웃 비율 0.3으로 설정하여 모든 모델을 200 에포크 동안 훈련시킨다.

실험 결과

연구 질문

• RQ1 부트스트랩드 G-CNN는 ASD 분류에서 인구 그래프 선택에 대한 모델 민감도를 줄일 수 있는가?
• RQ2 그래프 랜덤화를 통한 앙상블 학습은 ABIDE fMRI 데이터셋에서 분류 성능을 향상시키는가?
• RQ3 초기 그래프가 노이즈가 있거나 잘못 구축된 경우, 제안된 방법의 성능은 어떻게 되는가?
• RQ4 단순한 부트스트랩 전략이 복잡한 전문가가 설계한 그래프 구축 방법보다 우월한가?

주요 결과

• 제안된 부트스트랩드 G-CNN는 ABIDE 데이터셋에서 70.86%의 분류 정확도를 달성하여 이전 최고 성능 G-CNN 방법보다 1.36%p 높였다.
• 기본 그래프(항등 인접 행렬)에서는 67.85%의 정확도를 기록했으며, 베이스라인 G-CNN(66.93%)를 초월했고, 그래프 정보가 없어도 효과적임을 입증했다.
• 30% 엣지가 제거된 노이즈가 있는 그래프에서는 67.39%의 정확도를 기록했으며, 베이스라인 G-CNN(66.35%)를 능가했고, 그래프 열화에 대한 내성성을 보였다.
• 모든 그래프 유형에서 성능 향상이 일관되게 관찰되어, 부트스트랩 전략이 열악한 그래프 구축의 영향을 효과적으로 완화함을 시사한다.
• 30–40% 엣지 드롭아웃을 적용한 20–25개의 랜덤화된 그래프로 구성된 큰 앙상블이 최적의 성능을 보였으며, 더 작은 앙상블이나 낮은 드롭아웃 비율은 성능 향상이 감소했다.