[논문 리뷰] Common and Individual Structure of Multiple Networks

Lu Wang, Zhengwu Zhang외 1명|arXiv (Cornell University)|2017. 07. 20.

Complex Network Analysis Techniques참고 문헌 24인용 수 4

한 줄 요약

이 논문은 로지스틱 회귀와 계층적 고유값 분해를 사용하여 복제된 네트워크의 공통 구조와 개인별 특이 구조를 추정하는 다중 그래프 요소분해(M-GRAF)를 제안한다. 이 방법은 공통 연결 패턴과 저차원의 개인별 이탈을 효과적으로 포착하며, 시뮬레이션 및 뇌 연결지능학 적용에서 뛰어난 성능을 보인다.

ABSTRACT

This article focuses on the problem of studying shared- and individual-specific structure in replicated networks or graph-valued data. In particular, the observed data consist of $n$ graphs, $G_i, i=1,\ldots,n$, with each graph consisting of a collection of edges between $V$ nodes. In brain connectomics, the graph for an individual corresponds to a set of interconnections among brain regions. Such data can be organized as a $V imes V$ binary adjacency matrix $A_i$ for each $i$, with ones indicating an edge between a pair of nodes and zeros indicating no edge. When nodes have a shared meaning across replicates $i=1,\ldots,n$, it becomes of substantial interest to study similarities and differences in the adjacency matrices. To address this problem, we propose a method to estimate a common structure and low-dimensional individual-specific deviations from replicated networks. The proposed Multiple GRAph Factorization (M-GRAF) model relies on a logistic regression mapping combined with a hierarchical eigenvalue decomposition. We develop an efficient algorithm for estimation and study basic properties of our approach. Simulation studies show excellent operating characteristics and we apply the method to human brain connectomics data.

연구 동기 및 목표

• 각 네트워크가 노드 간 연결 집합을 나타내는 복제된 네트워크에서 공통 및 개인별 특이 구조를 모델링하기 위해.
• 여러 그래프 간 공통 네트워크 구조를 추정하면서 저차원의 개인별 이탈을 포착하기 위해.
• 특히 연결지능학에서 사용되는 그래프 값 데이터 분석을 위한 통계적으로 타당하고 계산적으로 효율적인 방법을 개발하기 위해.
• 뇌 네트워크 데이터에서 개인 간 구조적 유사성과 차이에 대한 추론을 가능하게 하기 위해.

제안 방법

• M-GRAF 모델은 각 그래프의 간선 확률을 모델링하기 위해 로지스틱 회귀 프레임워크를 사용하며, 공통 및 개인별 특이 성분을 모두 포함한다.
• 개인별 특이 이탈을 저차원 잠재 공간에서 표현하기 위해 계층적 고유값 분해를 적용한다.
• 공통 구조와 개인별 이탈을 번갈아가며 갱신하는 효율적인 알고리즘을 통해 매개변수를 추정한다.
• 이 모델은 인접행렬이 이진이며, n개의 복제된 네트워크에서 V개의 노드 간 상호연결을 나타낸다고 가정한다.
• 공통 및 개인별 성분의 해석 가능성을 유지하면서도 간선의 확률을 모델링하기 위해 로지스틱 링크 함수의 구조를 활용한다.

실험 결과

연구 질문

• RQ1 다수의 복제된 네트워크 간에 공통 네트워크 구조와 개인별 특이 이탈을 동시에 추정할 수 있는 방법은 무엇인가요?
• RQ2 로지스틱 회귀와 계층적 고유값 분해를 조합한 방법이 네트워크 데이터에 대해 통계적이고 계산적으로 얼마나 효율적인가요?
• RQ3 이 방법은 시뮬레이션된 네트워크 데이터에서 진짜 공통 및 개인별 구조를 얼마나 잘 복원할 수 있나요?
• RQ4 이 방법은 실제 뇌 연결지능학 데이터에서 의미 있는 개인별 차이를 탐지할 수 있나요?

주요 결과

• M-GRAF 방법은 시뮬레이션 연구에서 뛰어난 운영 특성을 보이며, 공통 및 개인별 특이 네트워크 구조를 정확하게 복원한다.
• 이 방법은 인간 뇌 연결지능학 데이터에서 공통 네트워크 구조에서의 저차원 개인별 이탈을 성공적으로 식별한다.
• 계층적 고유값 분해가 개인별 특이 네트워크 패턴을 효과적으로 포착하면서도 계산 효율성을 유지한다.
• 로지스틱 회귀 프레임워크는 간선 확률의 강건한 모델링을 가능하게 하여 기준 방법 대비 추정 정확도를 향상시킨다.