[논문 리뷰] Community Correlations and Testing Independence Between Binary Graphs

Cencheng Shen, Jesús Arroyo외 2명|arXiv (Cornell University)|2019. 06. 09.

Bioinformatics and Genomic Networks참고 문헌 24인용 수 6

한 줄 요약

이 논문은 두 개의 무방향 그래프 간 조건부 인덴펜던스를 위한 블록 순열 기반 통계적 검정을 제안한다. 이는 $ρ$-상관관계 있는 스토케스틱 블록 모델(SBM) 하에서 인접행렬을 커널 행렬로 간주함으로써 이루어진다. 이 방법은 그래프가 서로 다른 균근 분포를 가질 수 있거나 가중치가 있을 수 있음에도 불구하고 유효하고 일致성이 있는 것으로 입증되었으며, 잠재적 공동체 구조가 알려져 있지 않은 경우에도 성립한다. 실험적 증거는 C. elegans의 화학적 시냅스와 전기적 시냅스 연결망 간의 강한 상관관계를 보여준다.

ABSTRACT

Graph data has a unique structure that deviates from standard data assumptions, often necessitating modifications to existing methods or the development of new ones to ensure valid statistical analysis. In this paper, we explore the notion of correlation and dependence between two binary graphs. Given vertex communities, we propose community correlations to measure the edge association, which equals zero if and only if the two graphs are conditionally independent within a specific pair of communities. The set of community correlations naturally leads to the maximum community correlation, indicating conditional independence on all possible pairs of communities, and to the overall graph correlation, which equals zero if and only if the two binary graphs are unconditionally independent. We then compute the sample community correlations via graph encoder embedding, proving they converge to their respective population versions, and derive the asymptotic null distribution to enable a fast, valid, and consistent test for conditional or unconditional independence between two binary graphs. The theoretical results are validated through comprehensive simulations, and we provide two real-data examples: one using Enron email networks and another using mouse connectome graphs, to demonstrate the utility of the proposed correlation measures.

연구 동기 및 목표

• 인접행렬을 커널 행렬로 간주할 때, 두 그래프 간 조건부 인덴펜던스를 위한 유효하고 일관성 있는 통계적 검정을 개발하는 것.
• 표준 순열 검정 및 피어슨 검정이 $ρ$-상관관계 있는 SBM 하에서 실패하는 문제를 해결하며, 특히 균근 분포가 다를 경우나 공동체 할당이 알려져 있지 않을 경우에 해당한다.
• 전통적인 방법이 잠재적 구조로 인해 무효화되는 복잡한 데이터, 예를 들어 뇌 연결망과 같이 그래프 간 의존성에 대한 추론을 가능하게 하는 것.
• 이론적 가정 하에 블록 순열을 활용하여 다양한 그래프 유형(이진, 가중, 이질적인 균근 분포 포함)에 대해 강건한 방법을 제공하는 것.
• 실제 연결망 데이터에 대한 경험적 검증을 통해 신경과학 및 네트워크 과학 분야에서의 유용성을 입증하는 것.

제안 방법

• 이 방법은 두 그래프가 $ρ$-상관관계 있는 스토케스틱 블록 모델(SBM)에서 유래한다고 모델링하며, 블록 내에서 동일하게 분포된 확률에 따라 간선이 i.i.d.로 샘플링된다.
• 블록 구조를 유지하면서 블록 간 간선 할당을 무작위화하는 블록 순열 절차를 사용하여 귀무분포를 정확히 근사한다.
• 검정 통계량은 두 그래프의 인접행렬에 커널 기반 측정법(예: 힐버트-슈미트 인덴펜던스 기준)을 적용하여 계산된다.
• 귀무분포는 500회의 블록 순열 복제를 통해 추정되며, 블록 수 $k$는 공동체 할당의 적합도를 최적화하기 위해 BIC를 통해 선택된다.
• 잠재적 공동체 구조에 조건을 두어, 두 그래프가 서로 다른 균근 분포 또는 가중치를 가질 경우에도 검정이 유효하게 유지되도록 설계되었다.
• 이론적 일관성을 확보하기 위해, 특정 상관관계를 가진 쌍의 그래프를 생성하기 위해 $ρ$-상관관계 있는 베르누이 변수의 일반화된 샘플링 절차를 사용한다.

실험 결과

연구 질문

• RQ1 두 그래프가 서로 다른 균근 분포를 가질 경우, 표준 순열 검정이 $ρ$-상관관계 있는 SBM 하에서 조건부 인덴펜던스를 신뢰성 있게 탐지할 수 있는가?
• RQ2 잠재적 공동체 구조와 다양한 그래프 유형(이진/가중)을 고려한 유효하고 일관성 있는 그래프 인덴펜던스 검정 방법이 존재하는가?
• RQ3 C. elegans의 화학적 시냅스와 간접접합 연결망 간의 통계적 의존성은 공통의 공동체 구조를 초월해 어느 정도 존재하는가?
• RQ4 블록 수 $k$의 선택이 귀무가설 하에서 블록 순열 검정의 유효성과 검정력에 어떤 영향을 미치는가?
• RQ5 기본 생성 모델이 완벽한 SBM가 아닌 실제 세계의 연결망 데이터에서, 제안된 방법이 의존성을 탐지할 수 있는가?

주요 결과

• 제안된 블록 순열 검정은 $ρ$-상관관계 있는 SBM 하에서 유효하고 일관성이 있음을 입증되었으며, 두 그래프가 서로 다른 균근 분포를 가질 경우나 가중치가 있을 경우에도 성립한다.
• 표준 순열 검정 및 피어슨 검정은 동일한 모델 하에서 잠재적 공동체 구조에 의존하므로 무효하다고 밝혀졌다.
• 시뮬레이션 데이터에서, 이 방법은 이진 및 가중 그래프 모두에서 의존성을 성공적으로 탐지하였으며, 합리적인 $k$ 값에서 검정 통계량이 귀무분포를 크게 초월하였다.
• C. elegans 연결망의 경우, 관측된 검정 통계량은 모든 테스트된 $k$ 값(포함하여 $k=13$, BIC 최적 추정치)에서 귀무분포보다 훨씬 크게 나타나 강한 통계적 의존성이 있음을 시사한다.
• $k \to n$일 때, 블록 순열 귀무분포는 관측된 검정 통계량으로 수렴하며, 이는 블록 해상도가 높아질수록 검정의 검정력이 증가함을 확인한다.
• 이 방법은 C. elegans의 화학적 시냅스와 간접접합 연결망 간에 유의미한 의존성이 있음을 규명하였으며, 공동체 구조를 초월해 한 종류의 연결이 다른 종류의 연결을 예측할 수 있음을 시사한다.