[论文解读] Distance Metric Learning using Graph Convolutional Networks: Application to Functional Brain Networks

Sofia Ira Ktena, Sarah Parisot+5 more|arXiv (Cornell University)|Mar 7, 2017

Advanced Graph Neural Networks参考文献 14被引用 27

一句话总结

本文提出一种基于图卷积网络（GCN）的度量学习框架，用于衡量功能脑网络图之间的相似性，采用谱图卷积与全局对比损失的孪生网络架构。在ABIDE数据集上的评估表明，该方法在主成分分析（PCA）后的欧氏距离基础上，将k-NN分类准确率提升了11.9%，在区分自闭症谱系障碍（ASD）与对照受试者方面表现出优越性能，尤其适用于异质性fMRI采集站点的数据。

ABSTRACT

Evaluating similarity between graphs is of major importance in several computer vision and pattern recognition problems, where graph representations are often used to model objects or interactions between elements. The choice of a distance or similarity metric is, however, not trivial and can be highly dependent on the application at hand. In this work, we propose a novel metric learning method to evaluate distance between graphs that leverages the power of convolutional neural networks, while exploiting concepts from spectral graph theory to allow these operations on irregular graphs. We demonstrate the potential of our method in the field of connectomics, where neuronal pathways or functional connections between brain regions are commonly modelled as graphs. In this problem, the definition of an appropriate graph similarity function is critical to unveil patterns of disruptions associated with certain brain disorders. Experimental results on the ABIDE dataset show that our method can learn a graph similarity metric tailored for a clinical application, improving the performance of a simple k-nn classifier by 11.9% compared to a traditional distance metric.

研究动机与目标

• 开发一种数据驱动、可学习的不规则图距离度量方法，特别针对功能脑网络，以提升神经发育障碍的分类性能。
• 解决在不同采集协议下，跨多个fMRI站点的功能连接图比较所面临的挑战。
• 利用谱图卷积与孪生网络，学习脑图的判别性、站点无关的表示。
• 在使用图相似性分类ASD与对照受试者时，超越传统距离度量（如欧氏距离）的性能。
• 证明该方法在神经影像之外的其他图比较任务中也具备泛化能力。

提出的方法

• 该方法采用基于切比雪夫多项式推导的多项式滤波器的孪生GCN架构，在不规则图上执行局部谱卷积。
• 图卷积在图拉普拉斯的谱域上应用，通过递归切比雪夫近似实现局部化滤波操作。
• 使用对比损失函数，以最小化同类图对之间的距离，同时最大化异类图对之间的距离。
• 模型在每批200对图的mini-batch上进行训练，采用平衡采样策略以避免类别偏差，并确保所有图被同等访问。
• 功能脑图由静息态fMRI数据构建，基于100个脑区之间的皮尔逊相关系数矩阵，节点特征源自区域时间序列。
• 通过在151名受试者、20个站点的11,325对图的保留测试集上进行k-NN分类，评估所学度量。

实验结果

研究问题

• RQ1 基于图卷积的深度度量学习框架能否有效学习功能脑图的相似性函数？
• RQ2 所提出的基于GCN的度量是否在ASD与对照受试者的分类中优于传统距离度量（如欧氏距离）？
• RQ3 所学度量对fMRI采集协议的站点间差异具有多大程度的鲁棒性？
• RQ4 该模型在同站点与跨站点图对上的分类性能提升程度如何？
• RQ5 所学度量是否能在嵌入空间中实现匹配与非匹配图对的更好分离？

主要发现

• 与PCA后使用欧氏距离相比，所提出的基于GCN的度量在完整测试集上使k-NN分类准确率提升了11.9%，达到62.9%的准确率。
• 在单个站点上，性能提升更为显著，例如在站点18上准确率从50.0%提升至90.0%，提升达40%。
• 在站点18上，区分匹配与非匹配图对的AUC值最高提升了0.44，表明具有强大的判别能力。
• 所学度量显著改善了所有站点中匹配与非匹配图对之间的分离效果，尤其在同站点比较中表现突出，如距离分布的箱线图所示。
• 在所有五个最大站点上，该方法的AUC值均高于欧氏距离，其中站点18的提升最为显著。
• 该方法对数据异质性表现出鲁棒性，即使在不同采集站点的图对比较中，也保持了稳定的性能增益。