[논문 리뷰] Kernel classification of connectomes based on earth mover's distance between graph spectra

Yulia Dodonova, Mikhail Belyaev외 3명|arXiv (Cornell University)|2016. 11. 27.

Advanced Graph Neural Networks참고 문헌 10인용 수 3

한 줄 요약

이 논문은 정규화된 라플라시안 스펙트럼 분포 간의 지구이동거리(EMD)를 사용하여 구조적 연결망을 분류하기 위한 커널 기반 기계학습 접근법을 제안한다. 뇌 네트워크의 고유값 분포에 대해 EMD를 계산함으로써, SVM 분류를 위한 강력한 커널을 구축하였으며, 자폐 스펙트럼 장애(ASD)와 정상 발달(TD)을 구분하는 데 AUC 0.71의 성능을 달성하여 기준선 그래프 임bedding 방법을 능가한다.

ABSTRACT

In this paper, we tackle a problem of predicting phenotypes from structural connectomes. We propose that normalized Laplacian spectra can capture structural properties of brain networks, and hence graph spectral distributions are useful for a task of connectome-based classification. We introduce a kernel that is based on earth mover's distance (EMD) between spectral distributions of brain networks. We access performance of an SVM classifier with the proposed kernel for a task of classification of autism spectrum disorder versus typical development based on a publicly available dataset. Classification quality (area under the ROC-curve) obtained with the EMD-based kernel on spectral distributions is 0.71, which is higher than that based on simpler graph embedding methods.

연구 동기 및 목표

• 스펙트럼 분석을 통해 구조적 네트워크 특성을 포착함으로써 뇌 연결망의 분류 성능을 향상시키는 것.
• 밀도 추정이 필요 없이 뇌 네트워크의 스펙트럼 분포를 효과적으로 비교할 수 있는 커널 방법을 개발하는 것.
• 실제 연결망 데이터셋을 대상으로 제안된 EMD 기반 커널의 성능을 평가하여 자폐 스펙트럼 장애(ASD) 분류에 응용하는 것.
• 정규화된 라플라시안 행렬의 스펙트럼 분포가 정상 및 병적 뇌 네트워크 간의 의미 있는 구조적 차이를 캐릭터라이즈함을 보여주는 것.

제안 방법

• 접속 행렬과 차수 행렬을 사용하여 가중치가 부여된 무향 연결망 그래프에서 정규화된 라플라시안 행렬을 계산한다.
• 정규화된 라플라시안의 고유값 분포를 추출하여 뇌 네트워크의 스펙트럼 표현으로 사용한다.
• 지구이동거리(EMD)를 사용하여 경험적 스펙트럼 분포 간의 쌍별 거리를 계산함으로써 형태와 위치의 차이를 포착한다.
• EMD 거리들을 기반으로 커널 행렬을 구성하여 커널 기반 SVM 분류를 가능하게 한다.
• 트랙토그라피 편향을 줄이기 위해 스트림라인 수와 물리적 거리 양쪽을 기반으로 가중치를 적용한 공개 연결망 데이터셋에 방법을 적용한다.
• 100겹 교차검증을 통해 성능을 평가하며, 주요 평가 지표로 ROC 곡선 아래 면적(AUC)을 사용한다.

실험 결과

연구 질문

• RQ1 정규화된 라플라시안 행렬의 스펙트럼 분포가 분류 작업을 위한 뇌 네트워크의 구조적 특성을 효과적으로 표현할 수 있는가?
• RQ2 스펙트럼 분포 간의 EMD가 연결망 분류에서 간단한 그래프 임bedding 방법보다 우수한가?
• RQ3 연결 강도와 물리적 길이를 모두 고려한 연결망 가중치 적용이 분류 성능에 어떤 영향을 미치는가?
• RQ4 확률적 커널 방법에 비해 EMD 기반 커널이 스펙트럼 분포의 차이를 더 잘 포착하는가?

주요 결과

• EMD 기반 커널은 100회 시행 평균 AUC 0.706과 표준편차 0.022를 기록하여 우수한 안정성과 성능을 보였다.
• 원시 고유값 또는 간선 벡터에 선형 커널을 적용한 기준선 방법보다 성능이 뛰어나, 스펙트럼 기반 EMD의 우수성을 확인하였다.
• 그램 행렬 분석 결과, ASD 환자는 상호 간에 더 유사한 반면, TD 환자는 스펙트럼 분포에서 더 높은 쌍별 변동성을 보였다.
• 분류기는 ASD 검출에 대해 높은 재현율(0.737)을 보였지만, TD 환자에 대해서는 낮은 정밀도(0.670)를 보여, TD를 ASD로 잘못 분류하는 경향이 있었다.
• EMD 커널은 경험적 고유값 분포의 밀도 재구성 필요 없이 작동하므로, 확률적 거리 측정 방법보다 더 강건한 성능을 보였다.