[논문 리뷰] Comparing representational geometries using the unbiased distance correlation

Jörn Diedrichsen, Eva Berlot외 3명|arXiv (Cornell University)|2020. 07. 06.

Functional Brain Connectivity Studies인용 수 8

한 줄 요약

이 논문은 뇌 활동 데이터의 표현 기하학을 비교하기 위한 새로운 방법인 비편향 거리 상관계수를 소개한다. 이 방법은 비편향성 추정치의 편향을 보정하고 쌍별 거리 차이의 통계적 의존성을 고려함으로써, 표현 유사도 분석(RSA)에서 근사적으로 최적의 모델 비교를 가능하게 한다. 유클리드 거리 및 마할라노비스 거리 추정기의 편향과 공분산을 분석적으로 모델링함으로써, 통계적 정확도가 향상된 표현 기하학 비교를 위한 near-optimal 모델 비교가 가능해진다.

ABSTRACT

Representational similarity analysis (RSA) tests models of brain computation by investigating how neural activity patterns change in response to different experimental conditions. Instead of predicting activity patterns directly, the models predict the geometry of the representation, i.e. to what extent experimental conditions are associated with similar or dissimilar activity patterns. RSA therefore first quantifies the representational geometry by calculating a dissimilarity measure for all pairs of conditions, and then compares the estimated representational dissimilarities to those predicted by the model. Here we address two central challenges of RSA: First, dissimilarity measures such as the Euclidean, Mahalanobis, and correlation distance, are biased by measurement noise, which can lead to incorrect inferences. Unbiased dissimilarity estimates can be obtained by crossvalidation, at the price of increased variance. Second, the pairwise dissimilarity estimates are not statistically independent. Ignoring the dependency makes model comparison with RSA statistically suboptimal. We present an analytical expression for the mean and (co-)variance of both biased and unbiased estimators of Euclidean and Mahalanobis distance, allowing us to exactly quantify the bias-variance trade-off. We then use the analytical expression of the co-variance of the dissimilarity estimates to derive a simple method correcting for this covariance. Combining unbiased distance estimates with this correction leads to a novel criterion for comparing representational geometries, the unbiased distance correlation, which, as we show, allows for near optimal model comparison.

연구 동기 및 목표

• 표현 유사도 분석(RSA)에서 측정 노이즈로 인한 비편향성 추정치의 편향을 해결하기 위해.
• 표현 유사도 분석(RSA)에서 표준 모델 비교를 약화시키는 쌍별 거리 차이 추정치 간의 통계적 의존성을 보정하기 위해.
• 교차검증 하에서 유클리드 거리 및 마할라노비스 거리 추정기의 편향과 공분산에 대한 분석적 표현을 유도하기 위해.
• 표현 기하학 비교를 위한 근사적으로 최적의 모델 비교를 가능하게 하는 새로운 기준인 비편향 거리 상관계수를 개발하기 위해.
• 뇌영상 및 계산 신경과학 분야에서 표현 기하학 비교의 통계적 신뢰성과 정확도를 향상시키기 위해.

제안 방법

• 교차검증을 사용하여 유클리드 거리 및 마할라노비스 거리 추정기의 편향 및 비편향 추정기의 평균과 (공)분산에 대한 분석적 표현을 유도한다.
• 유도된 거리 차이 추정치의 공분산 구조를 활용하여 쌍별 비교에서의 통계적 의존성을 보정한다.
• 비편향 거리 추정과 공분산 보정을 조합하여 비편향 거리 상관계수를 새로운 모델 비교 기준으로 정의한다.
• 신경 데이터에서 예측된 표현 기하학과 관측된 표현 기하학을 비교하기 위해 이 방법을 적용하여 통계적 최적성을 확보한다.
• 이론적 유도와 시뮬레이션을 통해 방법의 성능을 검증하여 기존 RSA보다 향상된 추론 성능을 입증한다.

실험 결과

연구 질문

• RQ1 측정 노이즈로 인해 표준 거리 차이 추정치가 표현 유사도 분석에서 어떻게 편향되는가?
• RQ2 쌍별 거리 차이 추정치 간의 통계적 의존성이 RSA에서 모델 비교의 정확도를 어느 정도 떨어뜨리는가?
• RQ3 거리 추정기의 편향과 공분산에 대한 분석적 모델링이 표현 기하학 비교의 정확도를 향상시킬 수 있는가?
• RQ4 비편향 추정과 공분산 보정을 조합하면 RSA에서 모델 비교를 위한 통계적으로 최적의 기준을 얻을 수 있는가?
• RQ5 제안된 비편향 거리 상관계수 기준은 기존 RSA 방법에 비해 통계적 검정력과 정확도 측면에서 어떻게 비교되는가?

주요 결과

• 분석적 유도 결과, 거리 차이 추정치의 편향과 공분산이 RSA에서 모델 비교의 신뢰성에 중대한 영향을 미친다는 것이 드러났다.
• 유클리드 거리 및 마할라노비스 거리의 비편향 추정기는 편향을 감소시키지만 분산을 증가시켜 분석적으로 정량화할 수 있는 트레이드오프를 유도한다.
• 유도된 거리 차이 추정치의 공분산 구조는 통계적 추론의 정확도를 향상시키기 위한 정밀한 보정을 가능하게 한다.
• 제안된 비편향 거리 상관계수 기준은 표현 기하학 비교에서 근사적으로 최적의 통계적 성능을 달성한다.
• 이 방법은 편향과 의존성의 양측을 고려함으로써 표준 RSA를 능가하여 더 정확하고 신뢰할 수 있는 모델 선택이 가능하다.