[논문 리뷰] Joint Estimation of Low-Rank Components and Connectivity Graph in High-Dimensional Graph Signals: Application to Brain Imaging

Rui Liu, Hossein Nejati외 1명|arXiv (Cornell University)|2018. 01. 08.

Functional Brain Connectivity Studies참고 문헌 37인용 수 3

한 줄 요약

이 논문은 고차원적이고 그래프 스무스하며 심각하게 손상된 데이터를 대상으로, 낮은 질서 성분과 그래프 구조를 동시에 추정하는 프레임워크를 제안한다. 특히 MEG 뇌 영상에 적용된다. 교차 최적화를 통해 반복적으로 그래프와 낮은 질서 성분을 개선함으로써 차원 축소와 연결성 추론을 모두 향상시키며, 최신 기술 대비 높은 분류 정확도와 신경과학적으로 타당한 뇌 네트워크 맵을 달성한다.

ABSTRACT

This paper presents a graph signal processing algorithm to uncover the intrinsic low-rank components and the underlying graph of a high-dimensional, graph-smooth and grossly-corrupted dataset. In our problem formulation, we assume that the perturbation on the low-rank components is sparse and the signal is smooth on the graph. We propose an algorithm to estimate the low-rank components with the help of the graph and refine the graph with better estimated low-rank components. We propose to perform the low-rank estimation and graph refinement jointly so that low-rank estimation can benefit from the refined graph, and graph refinement can leverage the improved low-rank estimation. We propose to address the problem with an alternating optimization. Moreover, we perform a mathematical analysis to understand and quantify the impact of the inexact graph on the low-rank estimation, justifying our scheme with graph refinement as an integrated step in estimating low-rank components. We perform extensive experiments on the proposed algorithm and compare with state-of-the-art low-rank estimation and graph learning techniques. Our experiments use synthetic data and real brain imaging (MEG) data that is recorded when subjects are presented with different categories of visual stimuli. We observe that our proposed algorithm is competitive in estimating the low-rank components, adequately capturing the intrinsic task-related information in the reduced dimensional representation, and leading to better performance in a classification task. Furthermore, we notice that our estimated graph indicates compatible brain active regions for visual activity as neuroscientific findings.

연구 동기 및 목표

• 기본 그래프가 알려져 있거나 정확하지 않은 고차원적이고 그래프 스무스하며 심각하게 손상된 데이터에서 낮은 질서 성분 추정의 과제를 해결한다.
• 낮은 질서 성분 추정 정확도와 네트워크 추론을 향상시키기 위해 낮은 질서 성분과 그래프 구조를 동시에 추정하고 개선한다.
• 부정확한 그래프가 낮은 질서 성분 복구에 미치는 영향을 분석하여 그래프 개선을 낮은 질서 성분 추정에 통합할 필요성을 정당화한다.
• 실제 MEG 데이터에서 뛰어난 성능을 보이며, 더 높은 분류 정확도를 달성하고 신경과학적 발견과 일치하는 뇌 연결성 맵을 생성한다.

제안 방법

• 희박한 교란과 그래프 스무스성 조건을 가정하여, 낮은 질서 성분과 그래프 라플라시안의 동시 최적화 문제로 문제를 수립한다.
• 낮은 질서 성분 추정치와 그래프 구조를 반복적으로 갱신하기 위해 교차 최적화를 사용한다.
• 추정된 그래프 상에서 낮은 질서 신호의 스무스성을 강제하기 위해 그래프 라플라시안 정규화를 활용한다.
• 스펙트럼 그래프 정규화를 적용하고 희박성 제약 조건을 통합하여 교란을 모델링하고 노이즈에 대한 강건성을 확보한다.
• 그래프 정확도가 낮은 질서 성분 추정에 어떤 영향을 미치는지 수학적으로 분석하여, 공동 개선이 필요한 이유를 정당화한다.
• 편협성 기반의 초기 그래프를 휴식 상태 MEG 데이터로부터 유도하고, 반복 학습을 통해 이를 개선한다.

실험 결과

연구 질문

• RQ1 초기 그래프의 부정확성이 고차원적이고 손상된 데이터에서 낮은 질서 성분 추정에 어떤 영향을 미치는가?
• RQ2 낮은 질서 성분과 그래프 구조를 동시에 추정하는 것이 순차적 또는 독립적 접근보다 성능 향상에 기여하는가?
• RQ3 제안된 방법이 뇌 영상에서 알려진 신경과학적 발견과 일치하는 그래프 연결 패턴을 생성하는가?
• RQ4 분류 정확도 측면에서 공동 학습 프레임워크가 최신 기술 대비 어떻게 비교되는가?
• RQ5 개선된 그래프 구조는 얼굴 인식과 관련된 작업 관련 신경 활동 패턴을 더 잘 포착할 수 있는가?

주요 결과

• 제안된 LGE 방법은 MEG 데이터에서 가장 높은 분류 정확도를 달성했으며, 96–105ms 시점에서 64.26%, 141–150ms 시점에서 79.53%의 정확도를 기록하여 PCA, RPCA, RPCAG, GL-SigRep를 뛰어넘었다.
• 통계적 검정 결과, LGE의 승리가 유의미하며, 두 시간 창 모두에서 모든 경쟁 방법의 p-값이 0.05 이하였다.
• 자극 후 105ms에 LGE는 주로 후두엽 및 왼쪽 후두측두엽 영역에서 그래프 연결성을 추정했으며, 이는 신경과학 문헌상 조기 시각 처리와 일치한다.
• 150ms에 LGE의 그래프에서는 오른쪽 후두측두엽 영역이 두드러지게 강조되었고, 이는 N170 얼굴 처리 마커와 일치한다. 반면 GL-SigRep와 SGDict는 덜 생물학적으로 타당한 연결 패턴을 보였다.
• LGE에서 추정된 그래프는 GL-SigRep와 SGDict보다 알려진 기능적 뇌 네트워크와 더 강한 유사성을 보였으며, 특히 얼굴 인식 동안의 작업 특이적 활성화를 포착하는 데 뛰어났다.
• 수학적 분석을 통해 그래프 부정확성이 낮은 질서 성분 추정을 악화시킴을 확인하였으며, 공동 프레임워크 내에서 반복적인 그래프 개선이 반드시 필요함을 검증하였다.