[논문 리뷰] Signal Subgraph Estimation Via Vertex Screening

Shangsi Wang, Cencheng Shen외 3명|arXiv (Cornell University)|2018. 01. 23.

Bioinformatics and Genomic Networks참고 문헌 23인용 수 3

한 줄 요약

이 논문은 거리 기반 상관계수를 활용하여 복잡한 네트워크 내에서 작은 정보성 부분그래프를 식별하기 위한 정점 필터링 방법을 제안한다. 이는 하류의 그래프 분류 및 회귀 성능을 크게 향상시키며 해석 가능성도 향상시킨다. 이 방법은 이론적으로 일관되며 인간 및 쥐의 MRI 데이터에서 유도된 기능적 및 구조적 뇌 그래프에서 경험적으로 검증되었다.

ABSTRACT

Graph classification and regression have wide applications in a variety of domains. A graph is a complex and high-dimensional object, which poses great challenges to traditional machine learning algorithms. Accurately and efficiently locating a small signal subgraph dependent on the label of interest can dramatically improve the performance of subsequent statistical inference. Moreover, estimating a signal subgraph can aid humans with interpreting these results. We present a vertex screening method to identify the signal subgraph when given multiple graphs and associated labels. The method utilizes distance-based correlation to screen the vertices, and allows the subsequent classification and regression to be performed on a small induced subgraph. We demonstrate that this method is consistent in recovering signal vertices and leads to better classification performance via theory and numerical experiments. We apply the vertex screening algorithm on human and murine graphs derived from functional and structural magnetic resonance images to analyze the site effects and sex differences.

연구 동기 및 목표

• 고차원 그래프 데이터에서 작은 정보성 부분그래프를 식별하여 통계적 추론을 향상시키는 데 도전하는 데 목적을 두며.
• 레이블과의 상관관계를 기반으로 정점을 필터링하는 계산적으로 효율적인 방법을 개발하여 신호 부분그래프에 집중한다.
• 관련 구조를 고립시킴으로써 그래프 기반 기계학습 모델의 해석 가능성을 향상시킨다.
• 실제 신경영상 응용 분야에서 이 필터링 방법의 이론적 일관성과 경험적 효과를 입증한다.

제안 방법

• 정점 특징과 그래프 레이블 간의 거리 기반 상관계수를 사용하여 정점의 순위를 매기고, 신호 부분그래프 식별을 위한 정점 필터링을 수행한다.
• 상위 순위 정점들로부터 부분그래프를 유도함으로써 차원 감소를 이루고 분석을 가장 관련성이 높은 네트워크 영역에 집중시킨다.
• 스크리닝 절차는 이론적으로 일관되도록 설계되어, 미약한 정규성 조건 하에서 진정한 신호 정점의 渐近적 복원을 보장한다.
• 성능 향상을 위해 스크리닝된 부분그래프에서 분류 및 회귀 작업에 이 방법을 적용한다.
• 이론적 분석과 합성 및 실제 뇌 네트워크 데이터에 대한 수치 실험을 통해 방법을 검증한다.

실험 결과

연구 질문

• RQ1 거리 기반 상관계수를 기반으로 한 정점 스크리닝이 레이블이 부여된 그래프에서 신호 부분그래프를 효과적으로 식별할 수 있는가?
• RQ2 스크리닝 방법이 축소된 부분그래프에서 분류 및 회귀 성능을 향상시키는가?
• RQ3 정점 스크리닝 절차는 신호 정점을 복원하는 데 이론적으로 일관되는가?
• RQ4 이 방법은 뇌 네트워크에서 성별 차이 및 연구소 효과와 같은 생물학적 영향을 탐지하는 데 어떻게 성능을 발휘하는가?

주요 결과

• 미약한 정규성 조건 하에서 정점 스크리닝 방법은 신호 정점의 일관된 복원을 달성하여 이론적 신뢰성을 확보한다.
• 특히 고차원 설정에서 전체 그래프보다 스크리닝된 부분그래프를 사용할 경우 분류 성능이 크게 향상된다.
• 인간 및 쥐의 MRI 데이터에서 유도된 뇌 네트워크에서 연구소 효과 및 성별 차이를 효과적으로 탐지한다.
• 수치 실험을 통해 이 방법이 신호 탐지 및 하류 예측 정확도 모두에서 열등함이 없음을 확인한다.