[논문 리뷰] Discovering Hidden Structure in High Dimensional Human Behavioral Data via Tensor Factorization

Homa Hosseinmardi, Hsien-Te Kao외 2명|arXiv (Cornell University)|2019. 05. 21.

Tensor decomposition and applications참고 문헌 18인용 수 10

한 줄 요약

이 논문은 학생생활 연구에서 수집한 고차원 웨어러블 센서 데이터의 숨겨진 저차원 구조를 드러내기 위해 비음수 텐서 분해(NTF)를 제안한다. 48명의 학생으로부터 10주간의 다중모달 행동 데이터를 분석함으로써 NTF는 학습, 파티, 기한 관련 행동과 같은 해석 가능한 잠재 시간적 요인들을 식별하며, 학업 성취도, 성격 특성, 활동 패턴에서 뚜렷한 차이를 보이는 개인 군집을 드러낸다. 이는 기준 참조 메타데이터와의 비교를 통해 검증되었다.

ABSTRACT

In recent years, the rapid growth in technology has increased the opportunity for longitudinal human behavioral studies. Rich multimodal data, from wearables like Fitbit, online social networks, mobile phones etc. can be collected in natural environments. Uncovering the underlying low-dimensional structure of noisy multi-way data in an unsupervised setting is a challenging problem. Tensor factorization has been successful in extracting the interconnected low-dimensional descriptions of multi-way data. In this paper, we apply non-negative tensor factorization on a real-word wearable sensor data, StudentLife, to find latent temporal factors and group of similar individuals. Meta data is available for the semester schedule, as well as the individuals' performance and personality. We demonstrate that non-negative tensor factorization can successfully discover clusters of individuals who exhibit higher academic performance, as well as those who frequently engage in leisure activities. The recovered latent temporal patterns associated with these groups are validated against ground truth data to demonstrate the accuracy of our framework.

연구 동기 및 목표

• 실생활 인간 행동 연구에서 얻은 고차원적이고 노이즈가 많으며 다중모달인 웨어러블 센서 데이터에서 저차원적이고 해석 가능한 구조를 드러내는 것.
• 차원 간 데이터를 통합하지 않고도 유사한 행동 패턴을 보이는 개인의 군집과 잠재 시간적 요인을 식별하는 것.
• GPA, 성격 특성, 자가 보고된 정서 및 활동 수준과 같은 기준 참조 메타데이터와의 비교를 통해 발견된 요인들을 검증하는 것.
• 이질적이고 희소하며 고차원적인 종단적 데이터에서 의미 있고 해석 가능한 패턴을 추출하는 데에 비음수 텐서 분해(NTF)의 효과성을 입증하는 것.

제안 방법

• 행동 데이터를 3차원 텐서 X ∈ ℝ^{I×J×K}로 모델링하며, 여기서 I는 개인 수, J는 행동 변수 수, K는 시간 프레임 수이다.
• 비음수 텐서 분해(NTF)를 적용하여 개인, 변수, 시간의 세 차원에서 잠재 요인을 나타내는 비음수 성분들로 텐서를 분해한다.
• CANDECOMP/PARAFAC(CP) 분해를 사용하여 다중 방향 데이터의 상호 연결된 저차원 표현을 포괄하는 질량-R 성분을 추출한다.
• 변수(예: 침묵, 움직임, 음성)의 가중치와 개인의 소속도를 분석하여 각 성분의 요인 하중을 해석함으로써 행동 주제를 추론한다.
• GPA, 성격 특성(예: 외향성) 및 자가 보고된 정서 및 이완 수준과 같은 메타데이터에서 각 성분의 상위 25% 개인의 분포를 비교하여 발견된 성분을 검증한다.
• t-검정, ANOVA와 같은 통계적 검정을 통해 성분 간 메타데이터 분포의 유의미한 차이를 평가한다.

실험 결과

연구 질문

• RQ1 비음수 텐서 분해는 고차원적이고 노이즈가 많으며 이질적인 웨어러블 센서 데이터에서 숨겨진 저차원 시간적 구조를 효과적으로 드러낼 수 있는가?
• RQ2 추출된 잠재 성분들은 학습, 파티, 기한 관련 활동과 같은 해석 가능한 행동 패턴과 부합하는가?
• RQ3 특정 성분과 강하게 연관된 개인들은 학업 성취도, 성격 특성, 또는 자가 보고된 정서 측면에서 구분 가능한가?
• RQ4 회복된 시간적 패턴은 학기 일정과 자가 보고된 행동과 같은 알려진 기준 참조 데이터로 검증될 수 있는가?

주요 결과

• 파티와 관련된 성분 2는 성분 1보다 유의미하게 높은 평균 외향성 점수(p-value = 0.01)를 보이며, 이는 사회적/휴식 요인으로 해석될 수 있음을 뒷받침한다.
• 성분 2에 높은 소속도를 보이는 학생들은 다른 성분에 비해 유의미하게 낮은 GPA를 보였다(p-value = 0.008), 이는 사회적 활동과 학업 성취도 간의 성과 교환 관계를 시사한다.
• 성분 1(학습 요인)에 속한 개인들은 유의미하게 낮은 이완 시간과 더 높은 온라인 수업 포럼(Piazza) 참여도를 보이며, 더 높은 학업 참여도를 나타낸다.
• 성분 1은 다른 성분들보다 유의미하게 높은 긍정적 정서 점수(p-value = 0.03)를 보이며, 더 나은 정서적 웰빙 상태를 나타낸다.
• 성분 3(기한 관련)에 높은 소속도를 가진 학생들은 10주 동안 평균적으로 더 많은 기한을 가졌으며(p-value = 0.06), 이는 학업 압박 요인으로서의 해석을 뒷받침한다.
• 성분 3는 아침 시간대의 침묵, 정지 행동 및 이동성 감소와 강한 상관관계를 보이며, 과제 마감일 패턴과 일치한다.