[논문 리뷰] Large-scale kernelized GRANGER causality to infer topology of directed graphs with applications to brain networks

M. Ali Vosoughi, Axel Wismüller|arXiv (Cornell University)|2020. 11. 16.

Functional Brain Connectivity Studies참고 문헌 32인용 수 17

한 줄 요약

이 논문은 비선형 상관관계를 포착하기 위해 커널 방법을 활용하여, 특히 뇌 네트워크와 같은 복잡한 네트워크에서 방향성 있는 인과 관계를 추론하기 위해 대규모 커널화된 그랜저 인과관계 방법을 제안한다. 이 방법은 고차원 데이터에서 스케일러블하고 정확한 구조 추론을 가능하게 하며, 비선형 관계를 고려할 수 있어 선형 방법에 비해 더 뛰어난 성능을 보인다.

ABSTRACT

Graph topology inference of network processes with co-evolving and interacting time-series is crucial for network studies. Vector autoregressive models (VAR) are popular approaches for topology inference of directed graphs; however, in large networks with short time-series, topology estimation becomes ill-posed. The present paper proposes a novel nonlinearity-preserving topology inference method for directed networks with co-evolving nodal processes that solves the ill-posedness problem. The proposed method, large-scale kernelized Granger causality (lsKGC), uses kernel functions to transform data into a low-dimensional feature space and solves the autoregressive problem in the feature space, then finds the pre-images in the input space to infer the topology. Extensive simulations on synthetic datasets with nonlinear and linear dependencies and known ground-truth demonstrate significant improvement in the Area Under the receiver operating characteristic Curve ( AUC ) of the receiver operating characteristic for network recovery compared to existing methods. Furthermore, tests on real datasets from a functional magnetic resonance imaging (fMRI) study demonstrate 96.3 percent accuracy in diagnosis tasks of schizophrenia patients, which is the highest in the literature with only brain time-series information.

연구 동기 및 목표

• 뇌 네트워크와 같은 대규모 고차원 네트워크에서 방향성 있는 인과 관계를 추론하는 데 도전하는 데 목적을 두며.
• 실제 데이터에서 복잡한 비선형 상관관계를 포착하지 못하는 전통적 선형 그랜저 인과관계의 한계를 극복하는 데 목적을 두며.
• 대규모 네트워크 구조 추론에 적합한 확장 가능하고 계산적으로 효율적인 방법을 개발하는 데 목적을 두며.
• 데이터 양과 복잡성이 높은 분야에서 실용적인 인과 발견을 가능하게 하는 데 목적을 두며.
• 현대적 AI 및 데이터 기반 모델링과의 통합을 통해 적응성과 해석 가능성의 향상을 도모하는 데 목적을 두며.

제안 방법

• 이 방법은 복소함수 힐버트 공간(RKHS) 기법을 사용하여 비선형 시간적 의존성을 모델링할 수 있도록 고전적 선형 그랜저 인과관계를 확장한 커널화된 그랜저 인과관계를 활용한다.
• 커널 기반의 조건부 인력성 테스트를 통해 인과성 검증을 정의함으로써, 시간 시리즈 간의 비선형 예측 관계를 탐지할 수 있다.
• 계산 복잡도를 줄이기 위해 대규모 근사 전략을 사용하여 고차원 데이터에 적용 가능하도록 한다.
• 한 가지 시간 시리즈에서 다른 시간 시리즈로의 예측 의존성 테스트를 통해 인과 구조를 추론하며, 잠재적 혼란 요인의 집합을 조건으로 삼는다.
• 데이터를 고차원 특성 공간으로 매핑함으로써 비선형 관계를 선형으로 분리할 수 있도록 커널 트릭을 활용한다.
• 유의미한 인과 링크를 식별하기 위해 희박성 유도 최적화 프레임워크를 적용함으로써, 설명 가능성과 확장성 향상을 도모한다.

실험 결과

연구 질문

• RQ1 커널화된 그랜저 인과관계는 대규모 비선형 시간 시리즈 데이터에서 방향성 있는 인과 관계를 효과적으로 추론할 수 있는가?
• RQ2 제안된 방법은 복잡한 네트워크에서 진정한 인과 구조를 탐지하는 데 있어 고전적 선형 그랜저 인과관계와 비교해 어떤가?
• RQ3 이 방법은 기능적 뇌 네트워크와 같은 고차원 데이터셋에 얼마나 잘 스케일링되는가?
• RQ4 비선형 상관관계를 포함함으로써 선형 모델 대비 인과 구조 추론 정확도가 어떻게 향상되는가?
• RQ5 이 방법은 생물학적으로 타당한 인과 뇌 네트워크 아키텍처를 밝혀내기 위해 실제 신경과학 데이터에 적용될 수 있는가?

주요 결과

• 커널화된 그랜저 인과관계 방법은 시간 시리즈 데이터에서 비선형 상관관계를 효과적으로 포착하며, 진정한 인과 링크를 탐지하는 데 있어 선형 그랜저 인과관계를 능가한다.
• 효율적인 커널 근사와 희박성 제약 조건을 통해 대규모 네트워크에서 스케일러블한 추론을 달성한다.
• 실험 결과는 비선형 역학을 포함한 합성 데이터에서 알려진 인과 구조를 재구성하는 데 있어 정확도 향상을 입증한다.
• 기능적 뇌 네트워크 데이터에서 생물학적으로 타당한 인과 관계를 식별함으로써 신경과학 응용 분야에서의 관련성을 시사한다.
• 노이즈와 고차원성에 대해 강건성을 유지하며, 인과 구조 복원에서 높은 정밀도를 유지한다.
• 커널 방법의 통합을 통해 기존 선형 접근 방식으로는 탐지할 수 없는 인과 관계를 탐지할 수 있다.