[논문 리뷰] Comparing representational geometries using whitened unbiased-distance-matrix similarity

Jörn Diedrichsen, Eva Berlot외 4명|arXiv (Cornell University)|2020. 07. 06.

Functional Brain Connectivity Studies인용 수 6

한 줄 요약

이 논문은 fMRI 및 전기생리학에서 표현 기하학을 비교하기 위한 새로운 방법인 백색화된 비편향 RDM 코사인 유사도(WUC)를 소개한다. 이 방법은 표현 불일치 행렬(RDM)의 편향과 노이즈 상관관계를 분석적으로 보정함으로써, 노이즈가 있고 상관관계가 있는 측정 조건에서도 강력하고 거의 최적의 모델 선택이 가능하도록 한다. 제곱 유클리드 거리 및 마할라노비스 거리 추정기의 편향, 분산, 공분산에 대한 정확한 표현을 유도함으로써, 이는 노이즈가 있는 상황에서도 강력한 성능을 발휘한다.

ABSTRACT

Representational similarity analysis (RSA) tests models of brain computation by investigating how neural activity patterns reflect experimental conditions. Instead of predicting activity patterns directly, the models predict the geometry of the representation, as defined by the representational dissimilarity matrix (RDM), which captures to what extent experimental conditions are associated with similar or dissimilar activity patterns. RSA therefore first quantifies the representational geometry by calculating a dissimilarity measure for each pair of conditions, and then compares the estimated representational dissimilarities to those predicted by each model. Here we address two central challenges of RSA: First, dissimilarity measures such as the Euclidean, Mahalanobis, and correlation distance, are biased by measurement noise, which can lead to incorrect inferences. Unbiased dissimilarity estimates can be obtained by crossvalidation, at the price of increased variance. Second, the pairwise dissimilarity estimates are not statistically independent, and ignoring this dependency makes model comparison statistically suboptimal. We present an analytical expression for the mean and (co)variance of both biased and unbiased estimators of the squared Euclidean and Mahalanobis distance, allowing us to quantify the bias-variance trade-off. We also use the analytical expression of the covariance of the dissimilarity estimates to whiten the RDM estimation errors. This results in a new criterion for RDM similarity, the whitened unbiased RDM cosine similarity (WUC), which allows for near-optimal model selection combined with robustness to correlated measurement noise.

연구 동기 및 목표

• fMRI 및 전기생리학에서 측정 노이즈로 인한 표현 유사도 분석(RSA)의 편향된 불일치 추정 문제를 해결한다.
• 쌍별 불일치 추정 간의 비독립성을 고려함으로써, 표준 RSA의 통계적 열등성을 극복한다.
• 제곱 유클리드 거리 및 마할라노비스 거리 추정기의 편향과 비편향 추정기 간의 편향-분산 트레이드오프를 정량화하는 분석적 프레임워크를 개발한다.
• 실제 노이즈 조건에서 최적의 모델 비교를 가능하게 하는 새로운 RDM 유사도 기준인 백색화된 비편향 RDM 코사인 유사도(WUC)를 제안한다.
• 상관관계가 있는 측정 노이즈에 대해 강건하며, 신경 표현 분석의 모델 선택에서 추론 정확도를 향상시킨다.

제안 방법

• 다변량 정규 모델에서 제곱 유클리드 거리 및 마할라노비스 거리 추정기의 평균과 (공)분산에 대한 분석적 표현을 유도한다.
• RDM 추정 오차의 유도된 공분산 구조를 활용하여, 노이즈에 의해 유도된 상관관계를 제거하는 불일치 추정의 백색화를 수행한다.
• 데이터 및 모델 RDM 간의 새로운 유사도 지표인 백색화된 비편향 RDM 코사인 유사도(WUC)를 구성한다. 이는 편향 보정과 오차 상관관계를 모두 고려한다.
• 분석적 공분산을 활용하여 WUC 기준을 통계적으로 최적의 방식으로 적용하여 모델 예측을 경험적 RDM과 비교한다.
• 독립적이고 공간적으로 상관관계가 있는 측정 노이즈를 포함한 알려진 진짜 모델을 사용한 시뮬레이션을 통해 방법을 검증한다.
• 공개된 연구에서의 실제 fMRI 데이터셋을 사용하여 다양한 실험 설계와 모델 비교(예: 딥 뉴럴 네트워크 기반 모델 포함)에서 WUC 성능을 테스트한다.

실험 결과

연구 질문

• RQ1 fMRI 및 전기생리학에서 측정 노이즈로 인한 표현 불일치 추정의 양의 편향을 어떻게 보정할 수 있는가?
• RQ2 쌍별 불일치 추정 간의 의존성을 忽시할 경우 RSA에서 모델 비교의 통계적 검정력이 얼마나 떨어지는가?
• RQ3 일반적인 노이즈 모델 하에서 RDM 추정 오차의 공분산에 대한 분석적 표현을 유도할 수 있는가?
• RQ4 제안된 백색화된 비편향 RDM 코사인 유사도(WUC)는 표준 유사도 기준(예: 피어슨 상관계수 또는 코사인 유사도)보다 모델 선택 정확도에서 뛰어나게 성능을 발휘하는가?
• RQ5 공간적으로 상관관계가 있는 노이즈 또는 조건별 노이즈 상관관계와 같은 현실적인 노이즈 조건에서 WUC 방법은 어떻게 성능을 발휘하는가?

주요 결과

• 제곱 유클리드 거리 및 마할라노비스 거리 추정기의 편향, 분산, 공분산에 대한 분석적 유도는 RDM 추정의 편향-분산 트레이드오프를 정밀하게 정량화할 수 있게 한다.
• WUC 기준은 추정 오차의 전체 공분산 구조와 편향 보정을 모두 고려함으로써 거의 최적의 모델 선택 성능을 달성한다.
• 독립 노이즈가 있는 시뮬레이션에서 WUC는 특히 저 SNR 조건에서 표준 기준보다 더 자주 정확한 모델을 선택했다.
• 공간적으로 상관관계가 있는 노이즈 조건에서는 WUC가 높은 정확도와 강건성을 유지했으며, 오차 상관관계를 고려하지 않는 비백색화된 방법보다 뛰어난 성능을 보였다.
• 운동 피질 및 보조시각 피질의 실제 fMRI 데이터에서, 모델 예측이 높은 상관관계를 보일 경우(예: r=0.85), WUC는 85~95%의 경우에 진짜 모델을 정확히 식별했으며, 표준 RDM 상관계수보다 뛰어난 성능을 보였다.
• 모의 실험과 실제 데이터 사례를 통해, 조건별 상관관계와 공간 노이즈 상관관계를 포함한 노이즈 구조의 변화에 대해 이 방법이 강건함을 입증했다.