[논문 리뷰] Distance Metric Learning using Graph Convolutional Networks: Application to Functional Brain Networks

Sofia Ira Ktena, Sarah Parisot외 5명|arXiv (Cornell University)|2017. 03. 07.

Advanced Graph Neural Networks참고 문헌 14인용 수 27

한 줄 요약

이 논문은 스펙트럴 그래프 컨볼루션과 글로벌 컨트라스트 손실을 사용한 시아모이스 아키텍처를 갖춘 그래프 컨volution 네트워크(GCN)-기반 거리 측정 프레임워크를 제안하여 기능적 뇌 그래프 간의 유사도를 측정한다. ABIDE 데이터셋에서 평가한 결과, 주성분 분석(PCA) 후 기존 유클리드 거리보다 k-NN 분류 정확도가 11.9% 향상되어 이질적인 fMRI 데이터를 포함한 다양한 연구소에서 자폐 스펙트럼 장애(ASD)와 대조군을 구분하는 데서 뛰어난 성능을 보였다.

ABSTRACT

Evaluating similarity between graphs is of major importance in several computer vision and pattern recognition problems, where graph representations are often used to model objects or interactions between elements. The choice of a distance or similarity metric is, however, not trivial and can be highly dependent on the application at hand. In this work, we propose a novel metric learning method to evaluate distance between graphs that leverages the power of convolutional neural networks, while exploiting concepts from spectral graph theory to allow these operations on irregular graphs. We demonstrate the potential of our method in the field of connectomics, where neuronal pathways or functional connections between brain regions are commonly modelled as graphs. In this problem, the definition of an appropriate graph similarity function is critical to unveil patterns of disruptions associated with certain brain disorders. Experimental results on the ABIDE dataset show that our method can learn a graph similarity metric tailored for a clinical application, improving the performance of a simple k-nn classifier by 11.9% compared to a traditional distance metric.

연구 동기 및 목표

• 비정규 그래프, 특히 기능적 뇌 네트워크를 위한 데이터 기반의 학습 가능한 거리 측정 방법을 개발하여 신경발달 장애의 분류 성능을 향상시키는 것.
• 다양한 촬영 프로토콜을 가진 여러 연구소에서 수집된 이질적인 fMRI 데이터로부터의 기능적 연결성 그래프를 비교하는 데 도전하는 것.
• 스펙트럼 그래프 컨볼루션과 시아모이스 네트워크를 활용하여 뇌 그래프의 분류 가능하고 연구소 간 불변인 표현을 학습하는 것.
• 기능적 유사도를 사용하여 ASD와 대조군을 분류할 때 기존의 거리 측정 방법(예: 유클리드 거리)보다 성능을 뛰어나게 하는 것.
• 이 방법이 신경영상 이외의 그래프 비교 작업으로도 일반화 가능함을 보여주는 것.

제안 방법

• 이 방법은 체비셰프 다항식에서 유도된 다항식 필터를 사용하여 비정규 그래프에서 局소 스펙트럼 컨볼루션을 수행하는 시아모이스 GCN 아키텍처를 활용한다.
• 그래프 컨볼루션은 그래프 라플라시안을 사용하여 스펙트럼 도메인에서 수행되며, 재귀적 체비셰프 근사에 의해 국소 필터링 연산이 가능해진다.
• 유사한 그래프 쌍(동일한 클래스) 간의 거리를 최소화하고, 비유사한 쌍(다른 클래스) 간의 거리를 최대화하기 위해 대비 손실 함수를 사용한다.
• 모델은 200개의 그래프 쌍으로 이루어진 미니배치에서 훈련되며, 클래스 편향을 방지하고 모든 그래프가 동일하게 관찰되도록 균형 잡힌 샘플링 전략을 사용한다.
• 기능적 뇌 그래프는 100개의 뇌 영역 간 상관계수 행렬을 사용하여 휴게 상태 fMRI 데이터에서 구성되며, 노드 특징은 지역 시간 시리즈에서 유도된다.
• 학습된 거리 측정 방법은 20개의 연구소에서 151명의 환자로부터 수집된 11,325개의 그래프 쌍으로 이루어진 테스트 세트에서 k-NN 분류를 통해 평가된다.

실험 결과

연구 질문

• RQ1 그래프 컨볼루션 기반의 딥 메트릭 학습 프레임워크가 기능적 뇌 그래프에 대한 유사도 함수를 효과적으로 학습할 수 있는가?
• RQ2 제안된 GCN 기반 메트릭이 ASD와 대조군을 분류할 때 기존의 거리 측정 방법(예: 유클리드 거리)보다 우수한 성능을 보일 수 있는가?
• RQ3 fMRI 촬영 프로토콜의 연구소 간 이질성에 대해 학습된 메트릭은 얼마나 강건한가?
• RQ4 모델은 동일 연구소 내 그래프 쌍과 이질 연구소 간 그래프 쌍에 대해 분류 성능을 어느 정도 향상시키는가?
• RQ5 학습된 메트릭은 임베딩 공간에서 유사한 쌍과 비유사한 쌍 간의 분리 성능을 얼마나 향상시키는가?

주요 결과

• 제안된 GCN 기반 메트릭은 PCA 후 유클리드 거리 대비 전체 테스트 세트에서 k-NN 분류 정확도를 11.9% 향상시켜 62.9%의 정확도를 달성했다.
• 개별 연구소에서의 성능 향상은 더욱 두드러졌으며, 특히 연구소 18에서는 정확도가 50.0%에서 90.0%로 40% 향상되었다.
• 연구소 18에서 유사한 쌍과 비유사한 쌍을 구분하는 AUC는 최대 0.44 향상되어 강력한 분류 능력을 보였다.
• 학습된 메트릭은 모든 연구소에서 유사한 쌍과 비유사한 쌍 간의 분리 성능을 크게 향상시켰으며, 특히 동일 연구소 비교에서 두드러졌다. 거리 분포의 박스플롯을 통해 이를 확인할 수 있었다.
• 모델은 모든 다섯 개의 가장 큰 연구소에서 유클리드 거리보다 높은 AUC 값을 기록했으며, 특히 연구소 18에서 가장 큰 향상이 관찰되었다.
• 이 방법은 데이터 이질성에 대해 강건성을 보였으며, 다양한 촬영 연구소에서의 그래프 비교 시에도 일관된 성능 향상이 관찰되었다.