[논문 리뷰] Two-sample Hypothesis Testing for Random Dot Product Graphs via Adjacency Spectral Embedding

Minh Tang, Avanti Athreya외 3명|arXiv (Cornell University)|2014. 03. 27.

Graph Theory and Algorithms참고 문헌 19인용 수 1

한 줄 요약

이 논문은 동일한 잠재 위치를 공유하거나 스케일링/대각 변환 관계에 있는지 여부를 검출하기 위해 인접성 스펙트럼 임bedding를 사용하는 일관된 이중표본 가설검정을 제안한다. 이 방법은 인접행렬의 스펙트럼 분해를 활용하며, 작은 표본에서도 강력한 검정력을 보이며, 신경 연결망 및 C. elegans 연결망 데이터에서 검증되었다.

ABSTRACT

Two-sample hypothesis testing for random graphs arises naturally in neuroscience, social networks, and machine learning. In this paper, we consider a semiparametric problem of two-sample hypothesis testing for a class of latent position random graphs. We formulate a notion of consistency in this context and propose a valid test for the hypothesis that two finite-dimensional random dot product graphs on a common vertex set have the same generating latent positions or have generating latent positions that are scaled or diagonal transformations of one another. Our test statistic is a function of a spectral decomposition of the adjacency matrix for each graph and our test procedure is consistent across a broad range of alternatives. We apply our test procedure to real biological data: in a test-retest data set of neural connectome graphs, we are able to distinguish between scans from different subjects; and in the {\em C.elegans} connectome, we are able to distinguish between chemical and electrical networks. The latter example is a concrete demonstration that our test can have power even for small sample sizes. We conclude by discussing the relationship between our test procedure and generalized likelihood ratio tests.

연구 동기 및 목표

• 공통된 정점 집합을 가진 랜덤 도트 곱 그래프에 대한 일관된 이중표본 가설검정을 개발한다.
• 두 그래프가 동일한, 스케일링된, 또는 대각 변환된 잠재 위치를 갖는지 테스트한다.
• 다양한 대안에 대해 검정이 유효하고 강력하게 유지되도록 보장한다.
• 실제 생물학적 데이터에 방법을 적용한다. 여기에는 신경 연결망 스캔과 C. elegans 네트워크가 포함된다.
• 제안된 검정과 일반화된 최대우도비 검정 간의 관계를 탐색한다.

제안 방법

• 검정은 두 그래프의 인접행렬에서 잠재 위치를 추정하기 위해 인접성 스펙트럼 임bedding를 사용한다.
• 각 그래프의 인접행렬에 대한 스펙트럼 분해에 기반하여 검정 통계량을 구성한다.
• 귀무가설은 잠재 위치가 동일하거나 스케일링/대각 변환 관계에 있음을 평가한다.
• 표본 크기가 증가함에 따라 편차를 탐지할 수 있도록 광범위한 대안 클래스에서 일관성이 입증된다.
• 잠재 공간에서 비모수적이며 강력한 모수적 가정이 필요하지 않다.
• 이 방법은 실제 데이터에 적용되며, 테스트-재테스트 fMRI 스캔과 C. elegans 연결망 네트워크가 포함된다.

실험 결과

연구 질문

• RQ1 우리는 랜덤 도트 곱 그래프가 동일한 잠재 위치를 갖는지 일관되게 검정할 수 있는가?
• RQ2 잠재 위치가 스케일링 또는 대각 변환 관계에 있을 때 제안된 검정이 검정력을 유지하는가?
• RQ3 작은 표본 크기에서 실존하는 생물학적 네트워크 데이터에서 검정 성능은 어떠한가?
• RQ4 제안된 검정과 일반화된 최대우도비 검정 간의 관계는 무엇인가?
• RQ5 이 방법은 C. elegans 연결망에서 다양한 종류의 신경 연결성(예: 화학적 시냅스와 전기적 시냅스)을 구분할 수 있는가?

주요 결과

• 제안된 검정은 광범위한 대안에 대해 일관되며, 잠재 위치의 차이를 신뢰성 있게 탐지함을 보장한다.
• 검정은 테스트-재테스트 데이터셋에서 다른 주체의 신경 연결망 스캔을 성공적으로 구분한다.
• C. elegans 연결망 분석에서와 같이 작은 표본 크기에서도 의미 있는 검정력을 보인다.
• 이 방법은 C. elegans 연결망에서 화학적 시냅스와 전기적 시냅스를 효과적으로 구분하여 생물학적 관련성을 확인한다.
• 검정 절차는 강력한 경험적 성능를 보이며, 일관성에 대한 이론적 기대와 일치한다.
• 결과는 제안된 검정과 일반화된 최대우도비 검정 사이에 밀접한 관계가 있음을 시사하지만, 방법은 비모수적이며 더 넓은 적용 범위를 가진다.