[논문 리뷰] Classification of weak multi-view signals by sharing factors in a mixture of Bayesian group factor analyzers

Sami Remes, Tommi Mononen외 1명|arXiv (Cornell University)|2015. 12. 17.

Blind Source Separation Techniques참고 문헌 5인용 수 3

한 줄 요약

이 논문은 약한 다중 시야 신호, 특히 단일 시행 MEG 데이터에서의 분류 성능을 향상시키기 위해 군집 간 공유 잠재 요소를 갖는 베이지안 혼합 모델을 제안한다. 공유된(공통된) 노이즈 성분과 군집별(분류적) 요소를 분리함으로써, 매우 작은 훈련 세트 조건에서도 기준 방법보다 유의미하게 높은 정확도를 달성하며, 해석 가능하고 생성적인 뇌 반응 재구성을 제공한다.

ABSTRACT

We propose a novel classification model for weak signal data, building upon a recent model for Bayesian multi-view learning, Group Factor Analysis (GFA). Instead of assuming all data to come from a single GFA model, we allow latent clusters, each having a different GFA model and producing a different class distribution. We show that sharing information across the clusters, by sharing factors, increases the classification accuracy considerably; the shared factors essentially form a flexible noise model that explains away the part of data not related to classification. Motivation for the setting comes from single-trial functional brain imaging data, having a very low signal-to-noise ratio and a natural multi-view setting, with the different sensors, measurement modalities (EEG, MEG, fMRI) and possible auxiliary information as views. We demonstrate our model on a MEG dataset.

연구 동기 및 목표

• 단일 시행 MEG와 같은 다중 시야 뇌 영상 데이터에서 약한, 저 SNR(신호 대 노이즈 비율) 신호를 분류하는 데 도전하는 데에 대비하기 위해.
• SVM이나 가우시안 프로세스와 같은 블랙박스 방법과 달리, 시간적 구조를 유지하고 해석 가능성을 보장하는 생성적 분류 모델을 개발하기 위해.
• 공유된 잠재 요소를 통해 군집 간 통계적 강도를 공유하여 데이터가 부족한 환경에서의 분류 성능을 향상시키기 위해.
• 공통 신경 노이즈와 클래스 구별 신호를 구분함으로써, 복잡한 신경영상 데이터에서 신호 탐지 능력을 향상시키는 모델을 제공하기 위해.

제안 방법

• 각 클래스를 고유한 군집별 요인 적재 행렬과 공유된 요인 적재 행렬을 갖는 혼합 성분으로 모델링함으로써, 군집 요인 분석(GFA)을 확장한 모델을 제안한다.
• 공유된 요소는 클래스 간 공통적이며 비구별적인 신경 활동을 포착하고, 군집별 요소는 약한 작업 관련 신호를 모델링한다.
• 공유 및 군집별 적재 행렬, 요인 점수, 클래스 레이블 분포를 동시에 추정하기 위해 변분 베이지안 추론 기법을 사용한다.
• 요소 정밀도에 하향 우선확률과 클래스 소속에 이진 우선확률을 도입한 계층적 우선확률 구조를 사용하여, 소규모 데이터 세트에서의 강건한 학습을 가능하게 한다.
• MEG 데이터의 시계열 구조는 각 센서의 시간 윈도우를 데이터 소스로 모델링함으로써 유지되며, 요소들이 시간 동적 특성을 포착한다.
• 다양한 MEG 센서, 모odalities 또는 실험 조건을 포함하는 다중 시야 데이터에서 모델을 종단 간(end-to-end)으로 훈련한다.

실험 결과

연구 질문

• RQ1 다수의 GFA 성분 간 공유된 잠재 요소가 약한 다중 시야 신호 데이터에서의 분류 정확도 향상에 기여하는가?
• RQ2 공유된 요소를 포함한 모델은 공유된 요소가 없는 모델에 비해 저 SNR 뇌 영상 데이터에서 성능 면에서 어떻게 비교되는가?
• RQ3 모델은 단일 시행 MEG 데이터에서 공통 신경 노이즈와 작업 구별 신호를 효과적으로 분리할 수 있는가?
• RQ4 모델의 생성적 성격 덕분에, 경험적 평균과 일치하는 이벤트 관련 전위(ERPs)와 같은 뇌 반응을 해석 가능한 방식으로 재구성할 수 있는가?

주요 결과

• 제안된 모델은 특히 훈련 세트가 매우 작을 경우 그룹 라소 기준 모델보다 유의미하게 뛰어난 성능을 보이며, 훈련 데이터가 단 4개의 샘플로 제한된 경우에도 높은 AUC를 달성한다.
• 공유된 요소가 없는 모델의 제한된 버전은 성능이 열악하게 나타나, 공유된 요소가 성능 향상에 필수적임을 입증한다.
• 모델은 경험적 평균과 밀도 있게 일치하는 클래스별 ERP를 성공적으로 재구성하여, 구별 가능한 뇌 활동 패tern을 포착할 수 있음을 확인한다.
• 모델은 말하기와 관련된 뇌 영역(예: 헬멧 가장자리 근처의 운동 관련 영역)과 듣기와 관련된 영역(예: 양측 청각皮질)을 식별하여 알려진 신경생리학적 지식과 일치한다.
• 생성 모델은 어떤 요소가 클래스 간 차이에 기여했는지를 해석할 수 있게 하였으며, 공유된 요소는 비구별적 활동을 설명하고 군집별 요소는 작업 관련 신호를 포착한다.