[논문 리뷰] Multi-view Graph Embedding with Hub Detection for Brain Network Analysis

Guixiang Ma, Chun-Ta Lu외 3명|arXiv (Cornell University)|2017. 09. 12.

Functional Brain Connectivity Studies참고 문헌 28인용 수 6

한 줄 요약

이 논문은 뇌 네트워크에서 허브에 의한 경계 흐림 현상을 줄이고 클러스터링의 명확성을 향상시키기 위해 노드 임베딩을 공동으로 학습하고 허브를 탐지하는 자동 가중 다중 시각 그래프 임베딩 프레임워크인 MVGE-HD를 제안한다. fMRI 및 DTI 시각 간에 더 구분력 있고 통합된 그래프 표현을 통해 HIV 및 양극성 장애 데이터셋에서 신경학적 장애를 더 잘 구분하는 데 성능이 뛰어나다.

ABSTRACT

Multi-view graph embedding has become a widely studied problem in the area of graph learning. Most of the existing works on multi-view graph embedding aim to find a shared common node embedding across all the views of the graph by combining the different views in a specific way. Hub detection, as another essential topic in graph mining has also drawn extensive attentions in recent years, especially in the context of brain network analysis. Both the graph embedding and hub detection relate to the node clustering structure of graphs. The multi-view graph embedding usually implies the node clustering structure of the graph based on the multiple views, while the hubs are the boundary-spanning nodes across different node clusters in the graph and thus may potentially influence the clustering structure of the graph. However, none of the existing works in multi-view graph embedding considered the hubs when learning the multi-view embeddings. In this paper, we propose to incorporate the hub detection task into the multi-view graph embedding framework so that the two tasks could benefit each other. Specifically, we propose an auto-weighted framework of Multi-view Graph Embedding with Hub Detection (MVGE-HD) for brain network analysis. The MVGE-HD framework learns a unified graph embedding across all the views while reducing the potential influence of the hubs on blurring the boundaries between node clusters in the graph, thus leading to a clear and discriminative node clustering structure for the graph. We apply MVGE-HD on two real multi-view brain network datasets (i.e., HIV and Bipolar). The experimental results demonstrate the superior performance of the proposed framework in brain network analysis for clinical investigation and application.

연구 동기 및 목표

• 기존의 다중 시각 그래프 임베딩 방법이 허브를 忽시하는 한계를 해결하여 뇌 네트워크에서 노드 클러스터 경계의 흐림 현상을 방지하기 위해.
• 다중 시각 그래프 임베딩과 허브 탐지 작업을 공동 최적화하여 두 작업이 상호로 성능을 향상시키도록 하기 위해.
• fMRI 및 DTI 시각과 같은 다수의 신경영상 시각에서 통합된 저차원 노드 임베딩을 학습하면서 고도수 허브 노드의 간섭 영향을 최소화하기 위해.
• 임베딩 품질과 허브 탐지에 기여도에 따라 시각의 중요도를 자동으로 할당하는 자동 가중 메커니즘을 개발하기 위해.
• 다중 시각 뇌 네트워크에서 더 명확하고 더 구분력 있는 클러스터링 구조를 만들어내어 임상적 분류 정확도를 향상시키기 위해.

제안 방법

• 통합 목적 함수를 사용하여 그래프 임베딩 학습과 허브 탐지를 공동으로 수행하는 자동 가중 최적화 프레임워크를 제안한다.
• fMRI 및 DTI 등 다양한 시각을 통합하여 구조적 및 기능적 연결 패턴을 유지하는 공통의 저차원 노드 표현을 학습한다.
• 임베딩 학습 중에 클러스터 경계의 흐림 현상을 줄이기 위해 허브 인식 정규화 항을 통합한다.
• 최적화를 통해 종단 간에 학습되는 시각 가중치를 갖는 융합된 시각에서 구성된 통합 그래프 라플라시안을 사용하여 스펙트럴 클러스터링을 수행한다.
• 임베딩과 허브 탐지를 번갈아가며 개선하는 교대 최적화 전략을 사용하여 두 작업을 동시에 향상시킨다.
• 일관된 클러스터링을 유지하면서도 허브의 해석 가능성을 유지하기 위해 최소 기술 길이 기반 접근법을 적용한다.

실험 결과

연구 질문

• RQ1 다중 시각 그래프 임베딩과 허브 탐지의 공동 학습이 뇌 네트워크에서 노드 클러스터링의 명확성과 구분력을 향상시키는가?
• RQ2 핵심 경계를 가로지르는 노드인 허브는 다중 시각 그래프 임베딩 과정에서 효과적으로 모델링될 수 있는가? 이를 통해 클러스터 경계의 흐림 현상을 방지할 수 있는가?
• RQ3 fMRI 및 DTI와 같은 다양한 신경영상 시각의 최적 자동 가중 방법은 무엇인가? 이를 통해 임베딩 품질과 허브 탐지 정확도를 향상시킬 수 있는가?
• RQ4 다중 시각 임베딩 과정에 허브 탐지를 통합하면 신경학적 장애의 임상 분류 성능이 향상되는가?
• RQ5 건강한 대조군과 HIV 또는 양극성 장애 환자 간의 뇌 네트워크에서 허브 패턴은 다중 시각 뇌 네트워크에서 얼마나 다를까?

주요 결과

• MVGE-HD는 뇌 네트워크에서 허브에 의한 경계 흐림 현상을 줄여 HIV 및 양극성 장애 데이터셋에서 클러스터링 품질을 크게 향상시켰다.
• 최첨단 다중 시각 클러스터링 기준보다 더 높은 정규화 상호정보량(NMI) 및 조정된 랜드 지수(ARI) 점수를 달성하여 뛰어난 클러스터링 성능을 입증하였다.
• 자체 가중 메커니즘이 fMRI 및 DTI 시각의 상대적 중요도를 성공적으로 식별하였으며, DTI가 구조적 연결 정보를 제공하므로 일반적으로 더 높은 가중치를 받았다.
• MVGE-HD의 허브 탐지 결과는 HIV 및 양극성 장애 환자에서 건강한 대조군과 다른 허브 패턴을 보였으며, 임상적 관련성을 뒷받침하였다.
• 임베딩과 허브 탐지의 공동 최적화는 더 견고하고 구분력 있는 표현을 만들어내어 후속 신경학적 장애 분류 성능을 향상시켰다.
• 실증 결과는 허브를 임베딩 학습 과정에서 제외할 경우 클러스터링 성능이 악화됨을 확인하여 허브 인식 모델링의 必要성을 검증하였다.