[논문 리뷰] Large-scale nonlinear Granger causality: A data-driven, multivariate approach to recovering directed networks from short time-series data

Axel Wismüller, Adora M. DSouza외 1명|arXiv (Cornell University)|2020. 09. 10.

Functional Brain Connectivity Studies참고 문헌 36인용 수 16

한 줄 요약

이 논문은 데이터 기반의 계산 효율적인 비선형 상태공간 모델링을 사용하여 짧고 고차원적인 시계열 데이터에서 방향성 있는 다변량 비선형 인과 네트워크를 추론하는 대규모 비선형 그랜저 인과성(lsNGC) 방법을 소개한다. 이 방법은 혼돈 시스템에서 네트워크 구조를 복원하는 데 기존 방법보다 뛰어나며, fMRI 데이터에서 HIV 관련 신경인지장애(HAND) 환자와 대조군을 분류하는 데 있어 단지 15개의 특징만으로도 AUC 0.88를 달성한다.

ABSTRACT

To gain insight into complex systems it is a key challenge to infer nonlinear causal directional relations from observational time-series data. Specifically, estimating causal relationships between interacting components in large systems with only short recordings over few temporal observations remains an important, yet unresolved problem. Here, we introduce a large-scale Nonlinear Granger Causality (lsNGC) approach for inferring directional, nonlinear, multivariate causal interactions between system components from short high-dimensional time-series recordings. By modeling interactions with nonlinear state-space transformations from limited observational data, lsNGC identifies casual relations with no explicit a priori assumptions on functional interdependence between component time-series in a computationally efficient manner. Additionally, our method provides a mathematical formulation revealing statistical significance of inferred causal relations. We extensively study the ability of lsNGC to recovering network structure from two-node to thirty-four node chaotic time-series systems. Our results suggest that lsNGC captures meaningful interactions from limited observational data, where it performs favorably when compared to traditionally used methods. Finally, we demonstrate the applicability of lsNGC to estimating causality in large, real-world systems by inferring directional nonlinear, multivariate causal relationships among a large number of relatively short time-series acquired from functional Magnetic Resonance Imaging (fMRI) data of the human brain.

연구 동기 및 목표

• 짧은 시계열 데이터에서 대규모 시스템의 비선형, 방향성 있는 다변량 인과 관계를 추론하는 데 도전하는 것.
• 기존 그랜저 인과성 방법의 한계를 극복하여 고차원, 비선형 또는 과소정의된 설정에서 성능이 떨어지는 문제를 해결하는 것.
• 기능적 종속성에 대한 강한 사전 가정 없이도 계산 효율적이며 데이터 기반의 접근법을 개발하는 것.
• fMRI에서의 기능적 뇌 연결성과 같은 실제 응용 분야에서 인과 네트워크를 안정적으로 추정하는 것.
• 서로 다른 데이터나 복잡한 근본 모델에 의존하지 않고도 추론된 인과 연결의 통계적 유의성 검정을 제공하는 것.

제안 방법

• lsNGC 방법은 제한된 시계열 데이터에서 복잡한 상태공간 역학을 모델링하기 위해 비선형 차원 축소 단계를 사용한다.
• 선형적이거나 파rametric한 형태를 가정하지 않고 구성 요소 간의 상호작용을 포괄하는 다변량 비선형 상태공간 변환을 사용한다.
• 예측 성능 향상도를 기반으로 한 수정된 그랜저 인과성 프레임워크를 사용하여 인과 영향을 정량화한다. 여기서 타겟 시리즈의 과거 값들을 사용한 후보 영향 요소 시리즈의 예측 성능 향상도가 인과성을 결정한다.
• 추론된 연결의 통계적 유의성은 f-검정을 통해 평가되며, 서로서의 데이터에 의존하지 않는 가설 검정이 가능하다.
• 이 방법은 합성 혼돈 시스템(2~34노드)과 인간 뇌 네트워크의 실제 fMRI 데이터에 모두 적용된다.
• 차원 감소 및 후속 분류에 적합한 연결 특징를 식별하기 위해 켄달의 τ 상관계수를 사용한 특징 선택 기법이 적용된다.

실험 결과

연구 질문

• RQ1 합성 혼돈 시스템에서 짧고 고차원적인 시계열 데이터로부터 lsNGC가 방향성 있는 비선형 다변량 인과 네트워크를 정확하게 복원할 수 있는가?
• RQ2 kernel Granger 인과성(KGC)과 로컬 모델(LM)과 같은 기존 방법과 비교해 lsNGC는 네트워크 복원 정확도와 내구성 측면에서 어떻게 성능을 발휘하는가?
• RQ3 실제 fMRI 데이터에 적용했을 때 lsNGC는 건강한 대조군과 HIV 관련 신경인지장애(HAND) 환자 간을 구분하는 의미 있는 분류 가능한 인과 연결 패턴을 탐지할 수 있는가?
• RQ4 lsNGC 기반 연결 매트릭스를 사용해 임상 집단을 효과적으로 분류하기 위해 필요한 최적의 특징 수(인과 연결 수)는 얼마인가?
• RQ5 서로 다른 데이터나 복잡한 근본 모델에 의존하지 않고도 lsNGC가 추론된 인과 연결에 대해 신뢰할 수 있는 통계적 유의성 측정치를 제공하는가?

주요 결과

• lsNGC는 짧은 시계열 데이터에서 비록 최대 34노드까지의 시스템이라도 방향성 있는 비선형 다변량 인과 네트워크를 성공적으로 복원하며, 기존의 이변량 및 다변량 접근법보다 뛰어난 성능을 보였다.
• 합성 혼돈 시스템에서 lsNGC는 KGC와 로컬 모델보다 진정한 인과 구조를 더 잘 포착했으며, 특히 잘못된 간접 연결을 줄이는 데 뛰어난 성능을 보였다.
• fMRI 데이터에 적용했을 때, lsNGC는 대칭화 및 특징 선택을 거친 후, 단지 15개의 특징만으로도 HAND 환자와 대조군을 평균 AUC 0.88, 정확도 0.77로 분류하는 연결 매트릭스를 생성했다.
• 분류에 최적의 특징 집합 크기는 15로, 이는 임상 집단 간의 네트워크 차이를 가장 잘 반영하는 소규모이면서도 매우 분류 능력이 높은 인과 연결 하위집합이 있음을 시사한다.
• lsNGC는 f-검정을 통해 통계적으로 타당한 유의성 검정을 제공하여, 계산 비용이 높은 서로서의 데이터 생성이 필요 없이도 신뢰할 수 있는 추론이 가능하다.
• 켄달의 τ 기반 특징 선택을 통해 고차원 연결 매트릭스의 부정확성과 노이즈를 효과적으로 줄여 분류기 성능과 계산 효율성을 향상시켰다.