[논문 리뷰] Joint Structure Learning of Multiple Non-Exchangeable Networks

Chris J. Oates, Sach Mukherjee|arXiv (Cornell University)|2014. 02. 23.

Bayesian Modeling and Causal Inference참고 문헌 17인용 수 6

한 줄 요약

이 논문은 뿌리가 있는 트리로 네트워크 간의 계층적 관계를 모델링함으로써 기존 방법을 일반화하는 새로운 베이지안 프레임워크인 구조 학습 트리(SLTs)를 소개한다. 이 방법은 신뢰 구간 전파를 사용하여 효율적이고 정확한 추론을 가능하게 하며, 특히 계보 또는 계통 발생 관계와 같은 복잡한 비교환 가능 관계를 가진 네트워크에서 시뮬레이션 및 실제 생물학적 데이터에서 네트워크 추정 정확도를 향상시킨다.

ABSTRACT

Several methods have recently been developed for joint structure learning of multiple (related) graphical models or networks. These methods treat individual networks as exchangeable, such that each pair of networks are equally encouraged to have similar structures. However, in many practical applications, exchangeability in this sense may not hold, as some pairs of networks may be more closely related than others, for example due to group and sub-group structure in the data. Here we present a novel Bayesian formulation that generalises joint structure learning beyond the exchangeable case. In addition to a general framework for joint learning, we (i) provide a novel default prior over the joint structure space that requires no user input; (ii) allow for latent networks; (iii) give an efficient, exact algorithm for the case of time series data and dynamic Bayesian networks. We present empirical results on non-exchangeable populations, including a real data example from biology, where cell-line-specific networks are related according to genomic features.

연구 동기 및 목표

• 네트워크 간의 교환 가능성 가정을 내포한 기존 공동 구조 학습 방법의 한계를 해결하기 위해, 계층적 또는 그룹별 관계가 존재하는 실제 세계 설정에서 자주 실패하는 상황을 고려한다.
• 그룹 및 하위 그룹 간의 의존성을 인코딩하는 뿌리가 있는 트리 구조를 통해 비교환 가능한 네트워크 관계를 모델링하는 일반적인 베이지안 프레임워크를 개발한다.
• 사용자 지정 하이퍼파rameter가 필요 없는, 기본적인 비정보적 사전 분포를 공동 구조 공간에 적용한다.
• 관측된 및 잠재적 네트워크 구조에 대한 정확한 추론을 가능하게 하며, 시계열 데이터를 포함한 동적 베이지안 네트워크 설정에서도 적용 가능하다.
• 트리 구조의 잘못된 특정화에 대한 강건성과 실질적인 생물학적 데이터(암 세포계에서의 약물 치료)에서의 성능을 평가한다.

제안 방법

• 각 노드가 네트워크를 나타내고, 간선이 그룹 및 하위 그룹 소속성과 같은 계층적 관계를 인코딩하는 뿌리가 있는 트리로 구조 학습 트리(SLTs)를 제안한다.
• 트리 간선을 따라 제약 조건을 유산하는 계층적 사전 분포를 개발하여, 사용자 입력 없이도 기본적이고 객관적인 공동 네트워크 구조 공간에 대한 사전 분포를 제공한다.
• 관측된 및 잠재적 네트워크 모두에 대한 사후 마진 분포를 계산하기 위해 공동 네트워크 공간에서 정확한 신뢰 구간 전파 알고리즘을 활용한다.
• 선형 VAR(1) 과정과 간섭을 모델링함으로써 시계열 데이터에 대한 프레임워크를 적응시킨다.
• 사후 마진 포함 확률을 사용하여 가중치가 부여된 및 이진 인접 행렬을 추정하며, AUROC, AUPR, 매튜스 상관계수 및 오분류 비율을 통해 성능을 평가한다.
• 다양한 표본 크기와 간선 밀도를 가진 시뮬레이션 데이터와 약물 치료를 받은 암 세포계에서의 실제 단백질체 시계열 데이터에 방법을 적용한다.

실험 결과

연구 질문

• RQ1 계통 발생 또는 계보 기반 데이터와 같이 네트워크가 계층적으로 관련되어 있을 경우, 비교환 가능한 네트워크 간 관계를 효과적으로 모델링할 수 있는 베이지안 공동 구조 학습 프레임워크는 성능이 좋을까?
• RQ2 진짜 네트워크 관계가 비교가능하지 않을 때, 진짜 관계가 비교가능하지 않은 상황에서 제안된 SLT 프레임워크는 비교가능 모델보다 어떻게 성능을 내는가?
• RQ3 사용자 지정 하이퍼파rameter가 필요 없는 공동 구조 공간에 대한 기본 사전 분포는 하이퍼파rameter 설정 없이 추정 성능을 얼마나 향상시킬 수 있는가?
• RQ4 신뢰 구간 전파 알고리즘이 동적 베이지안 네트워크 설정에서 관측된 및 잠재적 네트워크 구조에 대한 정확한 추론을 얼마나 효과적으로 가능하게 하는가?
• RQ5 유전자 특성에 의해 관련된 세포계 특이 네트워크를 포함한 생물학적 데이터에서 복잡한 의존성을 가진 경우, SLT 프레임워크는 네트워크 추정 정확도를 얼마나 향상시킬 수 있는가?

주요 결과

• 네트워크가 계층적 관계를 보일 경우, SLT 프레임워크는 비교가능 모델보다 네트워크 구조 추정에서 뚜렷한 성능 향상을 보이며, 특히 낮은 표본 크기에서 두드러진다.
• 사용자 지정 하이퍼파rameter가 필요 없는 공동 구조 공간에 대한 기본 사전 분포는 강건성과 객관성을 입증하며 뛰어난 성능을 달성한다.
• 신뢰 구간 전파 알고리즘은 공동 네트워크 공간에서 정확한 추론을 가능하게 하며, 중간 크기의 네트워크에 적합한 계산 효율성을 제공한다.
• 시뮬레이션 결과에서 SLT 방법은 기준 방법 대비 더 높은 AUROC(최대 0.92)와 AUPR(최대 0.85)를 기록했으며, 특히 낮은 표본 크기와 중간 수준의 간선 밀도에서 유의미하게 높은 성능을 보였다.
• 암 세포계에서의 실제 단백질체 시계열 데이터에서 SLT 모델은 라파티닙 및 AKTi 치료에 대한 차별적 네트워크 반응을 성공적으로 포착했으며, 생물학적으로 타당한 조절 변화를 드러냈다.
• 트리의 잘못된 특정화에 대해서도 강건성을 보였으며, 가정된 계층이 진짜 관계와 완벽하게 일치하지 않더라도 높은 성능을 유지했다.