[논문 리뷰] Recovering low-rank structure from multiple networks with unknown edge distributions.

Keith Levin, Asad Lodhia외 1명|arXiv (Cornell University)|2019. 06. 13.

Functional Brain Connectivity Studies참고 문헌 50인용 수 7

한 줄 요약

이 논문은 알려지지 않은 이질적인 간선 노이즈 분포를 가진 다수의 정렬된 네트워크로부터 저질서 구조를 복원하기 위해 공유 평균 구조를 활용하여 간선 수준 측정값을 노이즈 제거하는 방법을 제안한다. 가중치가 부여된 인접행렬의 저질서 절단을 위한 유한 표본 농도 부등식을 수립하고, 시뮬레이션 데이터와 정신분열병 fMRI 연구에서 개선된 추정 및 추론을 입증한다.

ABSTRACT

In increasingly many settings, data sets consist of multiple samples from a population of networks, with vertices aligned across these networks. For example, brain connectivity networks in neuroscience consist of measures of interaction between brain regions that have been aligned to a common template. We consider the setting where the observed networks have a shared expectation, but may differ in the noise structure on their edges. Our approach exploits the shared mean structure to denoise edge-level measurements of the observed networks and estimate the underlying population-level parameters. We also explore the extent to which edge-level errors influence estimation and downstream inference. We establish a finite-sample concentration inequality for the low-rank eigenvalue truncation of a random weighted adjacency matrix that may be of independent interest. The proposed approach is illustrated on synthetic networks and on data from an fMRI study of schizophrenia.

연구 동기 및 목표

• 다수의 정렬된 네트워크에서 이질적인 간선 노이즈 분포를 보일 때 인구 수준의 네트워크 구조를 추정하는 데 도전하는 것.
• 네트워크 간 공유된 평균 구조를 활용하여 추정 정확도와 후속 추론을 향상시키는 것.
• 알려지지 않은 노이즈 조건 하에서 가중치가 부여된 인접행렬의 저질서 절단을 위한 유한 표본 농도 부등식을 개발하는 것.
• 간선 수준의 오차가 다중 네트워크 환경에서 매개변수 추정 및 추론에 미치는 영향을 평가하는 것.
• 실제 정신분열병 연구에서의 fMRI 데이터와 시뮬레이션 네트워크에서 방법의 효과성을 입증하는 것.

제안 방법

• 다수의 정렬된 네트워크로부터 구성된 가중치가 부여된 인접행렬에 대해 저질서 고유값 절단을 수행하여 잠재의 인구 수준의 구조를 복원하는 방법.
• 네트워크 간 간선 가중치의 공유된 기대값을 활용하여 개별 네트워크 측정값의 노이즈를 제거하는 것.
• 알려지지 않은 이질적인 간선 노이즈 분포 조건 하에서도 적용 가능한, 랜덤 가중치 인접행렬의 저질서 절단을 위한 유한 표본 농도 부등식을 유도하는 것.
• 각 네트워크를 공통된 저질서 평균 행렬의 노이즈 있는 실현으로 모델링하며, 노이즈 구조는 네트워크 간으로 다를 수 있음.
• 특히 낮은 표본 수 환경에서 신호 복원을 향상시키기 위해 네트워크 간 정보를 융합하여 추정을 수행하는 것.
• 통제된 노이즈 조건을 가진 시뮬레이션 네트워크와 실제 정신분열병 연구에서의 fMRI 데이터를 사용하여 방법을 검증하는 것.

실험 결과

연구 질문

• RQ1 간선 노이즈 분포가 알려지지 않았고 네트워크 간으로 다름에도 불구하고, 저질서 네트워크 구조를 어떻게 신뢰성 있게 복원할 수 있는가?
• RQ2 다중 네트워크 분석에서 이질적인 간선 수준의 오차는 추정 정확도와 후속 추론에 어느 정도의 영향을 미치는가?
• RQ3 알려지지 않은 노이즈 조건 하에서 가중치가 부여된 인접행렬의 저질서 절단을 위한 유한 표본 농도 부등식을 어떻게 확립할 수 있는가?
• RQ4 공유된 평균 구조를 활용할 경우, 개별 네트워크 분석과 비교해 노이즈 제거 및 추정 성능이 어떻게 향상되는가?
• RQ5 복잡한 노이즈 특성을 가진 실제 신경영상 데이터에서 이 방법의 경험적 성능은 어떠한가?

주요 결과

• 제안된 방법은 이질적인 노이즈를 가진 다수의 네트워크에서 공유된 평균 구조를 활용함으로써 추정 정확도를 크게 향상시켰다.
• 알려지지 않은 노이즈 조건 하에서도 적용 가능한 가중치가 부여된 인접행렬의 저질서 절단을 위한 유한 표본 농도 부등식이 확립되어 방법의 이론적 근거를 제공하였다.
• 다양한 노이즈 수준과 구조를 가진 시뮬레이션 네트워크에서 방법이 강건한 성능을 보였다.
• fMRI 정신분열병 연구에서, 개별 네트워크 분석에 비해 더 일관되고 생물학적으로 타당한 네트워크 패턴을 드러내었다.
• 간선 수준의 오차는 추정에 영향을 미치는 것으로 확인되었지만, 노이즈 이질성을 고려할 경우 관리 가능한 수준이었다.
• 유한 표본 조건 하에서 진짜로 존재하는 저질서 구조를 복원하는 데서 기준 방법보다도 더 뛰어난 성능을 보였다.