[논문 리뷰] Learning Neural Representations of Human Cognition across Many fMRI Studies

Arthur Mensch, Julien Mairal외 3명|arXiv (Cornell University)|2017. 10. 31.

Functional Brain Connectivity Studies참고 문헌 35인용 수 19

한 줄 요약

이 논문은 여러 fMRI 연구를 종합적으로 분석하여 뇌 활동 지ap의 저차원, 인지 인지형 표현을 학습하는 다중 작업 학습 프레임워크를 제안한다. 다중 척도 차원 축소와 드롭아웃 정규화를 통한 투영을 적용함으로써, 심리적 상태의 교차 데이터셋 분류 성능을 향상시키고, 소규모 데이터셋에서 뛰어난 성능을 달성하며, 사전 정의된 온톨로지나 임의의 작업 대응 관계 없이도 해석 가능한 보편적인 인지 템플릿을 드러낸다.

ABSTRACT

Cognitive neuroscience is enjoying rapid increase in extensive public brain-imaging datasets. It opens the door to large-scale statistical models. Finding a unified perspective for all available data calls for scalable and automated solutions to an old challenge: how to aggregate heterogeneous information on brain function into a universal cognitive system that relates mental operations/cognitive processes/psychological tasks to brain networks? We cast this challenge in a machine-learning approach to predict conditions from statistical brain maps across different studies. For this, we leverage multi-task learning and multi-scale dimension reduction to learn low-dimensional representations of brain images that carry cognitive information and can be robustly associated with psychological stimuli. Our multi-dataset classification model achieves the best prediction performance on several large reference datasets, compared to models without cognitive-aware low-dimension representations, it brings a substantial performance boost to the analysis of small datasets, and can be introspected to identify universal template cognitive concepts.

연구 동기 및 목표

• 다양한 연구 간 이질적인 fMRI 데이터를 통합하여 체계적인 인지 지식을 추출하는 데 도전하는 것.
• 심리적 작업에 대한 예측 정보를 담고 있는 저차원 뇌 표현을 자동으로 학습할 수 있는 확장 가능한 방법을 개발하는 것.
• 사전 정의된 온톨로지나 명시적인 작업 대응 관계 없이도, 대규모 fMRI 레포지토리에서 소규모 신규 데이터셋으로의 전이 학습을 가능하게 하는 것.
• 공유 표현 학습을 통해 다양한 fMRI 실험을 동시에 모델링함으로써 보편적인 인지 구성 요소를 발견하는 것.

제안 방법

• 공유 투영 행렬을 사용하여 통계적 뇌 지도에 대해 두 번의 연속 선형 차원 축소를 수행함으로써 저차원, 인지 인지형 표현을 학습한다.
• 드롭아웃 정규화를 통한 인과적이고 비볼록 최적화를 활용하여 일반화 성능을 향상시키고, 특히 소규모 데이터셋에서 과적합을 방지한다.
• 공유 가중치를 통한 전역 표현 공간 학습을 통해 서로 다른 작업 레이블을 가진 데이터셋 간 지식 전이를 가능하게 한다.
• 최종 분류 헤드는 저차원 표현에서 심리적 상태를 예측하며, 테스트 시 추론 과정에서 확률 벡터와 워드 클라우드를 활용해 해석 가능성을 제공한다.
• 비지도 차원 축소를 통해 휴식 상태 데이터를 초기화하여 인지 신호의 무결성을 유지한다.
• 스토하스틱 최적화를 사용해 엔드 투 엔드로 학습함으로써 대규모 다중 데이터셋 fMRI 레포지토리에 대한 확장성을 확보한다.

실험 결과

연구 질문

• RQ1 다양한 fMRI 연구 간 통합된 저차원 뇌 활동 지도 표현을 학습하여 심리적 상태의 분류 성능을 향상시킬 수 있는가?
• RQ2 인지 인지형 투영을 통한 다중 데이터셋 표현 학습이 소규모 또는 제한된 데이터셋에서 성능을 어떻게 향상시키는가?
• RQ3 모델이 사전 정의된 온톨로지나 작업 매핑에 의존하지 않고도 해석 가능한 보편적인 인지 개념을 얼마나 잘 드러내는가?
• RQ4 드롭아웃 정규화가 제한된 데이터로 인한 뇌 표현 학습에서 일반화 성능 향상에 어떤 역할을 하는가?
• RQ5 모델은 이질적인 실험 설계 간에 다양한 인지 과정을 뒷받침하는 공통의 신경 구성 요소를 식별할 수 있는가?

주요 결과

• 모델은 인지 인지형 저차원 표현이 없는 모델들보다 여러 대규모 기준 fMRI 데이터셋에서 뛰어난 예측 성능을 달성한다.
• 인지 인지형 투영 레이어의 포함이 특히 소규모 데이터셋에서 외부 샘플 분류 정확도를 크게 향상시킨다.
• 확률 벡터를 워드 클라우드로 시각화함으로써 모델은 시각화를 통해 해석 가능한 인지 템플릿(뇌 지도와 관련된 인지 개념의 쌍)을 성공적으로 드러낸다.
• 드롭아웃 정규화는 필수적이다: 동일한 인과적 최적화 문제를 풀더라도 드롭아웃 없이 학습된 모델은 성능이 열등하다.
• 비볼록이고 명시적으로 인과화된 설정에 드롭아웃을 적용한 모델은 트레이스 노름 정규화를 사용한 볼록 다중 작업 학습보다 정확도와 학습 효율성 측면에서 뛰어나다.
• 모델은 공유된 인지 개념에 기반한 표현을 통해 기존 fMRI 레포지토리에서 새로운 작업 데이터셋으로의 전이 학습을 가능하게 한다.