[논문 리뷰] Hypothesis Testing for Differences in Gaussian Graphical Models: Applications to Brain Connectivity

Eugene Belilovsky, Gaël Varoquaux외 1명|arXiv (Cornell University)|2015. 12. 29.

Functional Brain Connectivity Studies인용 수 5

한 줄 요약

이 논문은 가우시안 그래픽 모델(GGMs) 간의 차이에 대한 타당한 가설 검정과 신뢰구간 추정을 가능하게 하기 위해, 특히 뇌 기능 연결성 연구에서 유용한 비편향 다중작업 융합 라소를 도입한다. 간선 차이의 공동 희박성( joint sparsity)을 활용하여 희박 추정기에서 발생하는 편향을 보정하고, 간선 차이의 점근 정규 분포를 제공함으로써 고차원 신경영상 데이터에서 통계적 추론을 가능하게 한다.

ABSTRACT

Functional brain networks are well described and estimated from data with Gaussian Graphical Models (GGMs), e.g. using sparse inverse covariance estimators. Comparing functional connectivity of subjects in two population calls for comparing these estimated GGMs. We study the problem of identifying differences in Gaussian Graphical Models (GGMs) known to have similar structure. We aim to characterize the uncertainty of differences with confidence intervals obtained using a para-metric distribution on parameters of a sparse estimator. Sparse penalties enable statistical guarantees and interpretable models even in high-dimensional and low-number-of-samples settings. Quantifying the uncertainty of the parameters selected by the sparse penalty is an important question in applications such as neuroimaging or bioinformatics. Indeed, selected variables can be interpreted to build theoretical understanding or to make therapeutic decisions. Characterizing the distributions of sparse regression models is inherently challenging since the penalties produce a biased estimator. Recent work has shown how one can invoke the sparsity assumptions to effectively remove the bias from a sparse estimator such as the lasso. These distributions can be used to give us confidence intervals on edges in GGMs, and by extension their differences. However, in the case of comparing GGMs, these estimators do not make use of any assumed joint structure among the GGMs. Inspired by priors from brain functional connectivity we focus on deriving the distribution of parameter differences under a joint penalty when parameters are known to be sparse in the difference. This leads us to introduce the debiased multi-task fused lasso. We show that we can debias and characterize the distribution in an efficient manner. We then go on to show how the debiased lasso and multi-task fused lasso can be used to obtain confidence intervals on edge differences in Gaussian graphical models. We validate the techniques proposed on a set of synthetic examples as well as neuro-imaging dataset created for the study of autism.

연구 동기 및 목표

• 인구 간 기능 뇌 네트워크를 비교할 때 가우시안 그래픽 모델(GGMs) 간의 차이를 통계적으로 검정하는 데 도전하는 것.
• GGM 간 간선 차이의 공동 희박성을 고려하는 방법을 개발하여 기존의 희박 추정기보다 추정 정확도를 향상시키는 것.
• 공동 희박성 가정 하에 희박 추정기를 비편향화하여 GGM 간 간선 차이에 대한 타당한 신뢰구간을 제공하는 것.
• 신경영상 및 생물정보학에서 흔히 나타나는 고차원, 저표본 설정에서 신뢰할 수 있는 통계적 추론을 가능하게 하는 것.
• 합성 데이터와 실제 자폐증 신경영상 데이터셋을 통해 방법의 실용성을 검증하는 것.

제안 방법

• 두 GGM 간의 차이에 대해 희박성을 강제하는 연합 추정 프레임워크인 비편향 다중작업 융합 라소를 제안한다.
• l1 페널티로 인해 발생하는 편향을 보정하기 위해 희박 역공분산 추정기의 비편향화 절차를 적용하여 점근 정규성을 확보한다.
• 공동 희박성 하에서 간선 차이의 점근 분포를 유도하여 신뢰구간 구축을 가능하게 한다.
• 비편향 추정기의 파arametric 분포 근사법을 사용하여 간선 차이의 불확실성을 정량화한다.
• 두 GGM 간에 구조를 공유하는 다중작업 학습 프레임워크를 활용하여 추정 효율성과 추론 정확도를 향상시킨다.
• 가설 검정을 위한 비편향 추정치와 그 분산-공분산 구조를 계산하는 효율적인 알고리즘을 구현한다.

실험 결과

연구 질문

• RQ1 간선 차이가 희박할 것으로 예상될 때, 두 가우시안 그래픽 모델 간의 간선 차이에 대해 타당한 신뢰구간을 구성할 수 있는가?
• RQ2 GGM에서 l1-패널티 추정으로 인해 발생하는 편향을 어떻게 보정할 수 있을까? 이를 통해 정확한 통계적 추론을 가능하게 할 수 있는가?
• RQ3 두 GGM 간의 차이에서 공동 희박성을 활용하면 진짜 연결성 차이를 탐지하는 검정력과 정확도가 향상되는가?
• RQ4 제안된 방법은 표본 수가 제한된 고차원 신경영상 데이터에서 간선 차이를 신뢰성 있게 탐지할 수 있는가?
• RQ5 비편향 다중작업 융합 라소의 성능은 표준 라소 기반 방법에 비해 신뢰구간 커버리지 및 I종 오류 통제 측면에서 어떻게 비교되는가?

주요 결과

• 비편향 다중작업 융합 라소는 간선 차이에 대해 점근 정규 분포를 성공적으로 생성하여 타당한 신뢰구간을 가능하게 한다.
• 합성 데이터에서 고차원 설정에서도 간선 차이의 신뢰구간에 대해 정확한 커버리지 비율을 달성한다.
• 공동 희박성 가정은 독립적인 GGM 추정에 비해 탐지 검정력을 크게 향상시킨다.
• 표준 라소 기반 추론에 비해 간선 차이 검정에서 더 낮은 편향과 개선된 I종 오류 통제 성능을 보였다.
• 자폐증 신경영상 데이터셋에 대한 검증을 통해 뇌 네트워크에서 생물학적으로 타당하고 통계적으로 유의미한 연결성 차이를 확인하였다.
• 이 방법은 해석 가능한 차별적 연결성 패턴을 식별할 수 있어 신경과학에서 가설 생성을 지원한다.