[论文解读] Recovering low-rank structure from multiple networks with unknown edge distributions.

Keith Levin, Asad Lodhia+1 more|arXiv (Cornell University)|Jun 13, 2019

Functional Brain Connectivity Studies参考文献 50被引用 7

一句话总结

该论文提出了一种方法，通过利用共享均值结构来消除边级测量中的噪声，从而从具有未知且异质的边噪声分布的多个对齐网络中恢复低秩结构。该方法建立了加权邻接矩阵低秩截断的有限样本浓度不等式，并在合成数据和精神分裂症功能磁共振成像（fMRI）研究中展示了改进的估计与推断效果。

ABSTRACT

In increasingly many settings, data sets consist of multiple samples from a population of networks, with vertices aligned across these networks. For example, brain connectivity networks in neuroscience consist of measures of interaction between brain regions that have been aligned to a common template. We consider the setting where the observed networks have a shared expectation, but may differ in the noise structure on their edges. Our approach exploits the shared mean structure to denoise edge-level measurements of the observed networks and estimate the underlying population-level parameters. We also explore the extent to which edge-level errors influence estimation and downstream inference. We establish a finite-sample concentration inequality for the low-rank eigenvalue truncation of a random weighted adjacency matrix that may be of independent interest. The proposed approach is illustrated on synthetic networks and on data from an fMRI study of schizophrenia.

研究动机与目标

• 解决当多个对齐网络表现出异质边噪声分布时，估计总体网络结构的挑战。
• 通过利用网络间共享的均值结构，提升估计精度和下游推断能力。
• 在边噪声未知的情况下，为加权邻接矩阵的低秩截断建立有限样本浓度不等式。
• 评估边级误差对多网络设置中参数估计和推断的影响。
• 在合成网络和精神分裂症研究的真实fMRI数据上，展示该方法的有效性。

提出的方法

• 该方法对由多个对齐网络构建的加权邻接矩阵执行低秩特征值截断，以恢复潜在的总体水平结构。
• 通过利用网络间边权共享的期望值来对单个网络的测量结果进行去噪。
• 为随机加权邻接矩阵的低秩截断推导出一个有限样本浓度不等式，即使边噪声分布未知且异质也适用。
• 该方法将每个网络建模为一个共同低秩均值矩阵的噪声实现，其中噪声结构因网络而异。
• 通过在网络间聚合信息来实现估计，从而在小样本条件下提升信号恢复能力。
• 该方法通过在受控噪声下的合成网络和精神分裂症研究的真实fMRI数据上进行验证。

实验结果

研究问题

• RQ1 当边噪声分布未知且在不同网络间变化时，如何可靠地恢复低秩网络结构？
• RQ2 在多网络分析中，异质的边级误差在多大程度上影响估计精度和下游推断？
• RQ3 在边噪声未知的情况下，能否为加权邻接矩阵的低秩截断建立有限样本浓度不等式？
• RQ4 与单独分析各网络相比，利用共享均值结构在去噪和估计方面能带来多大程度的改善？
• RQ5 该方法在具有复杂噪声特性的实际神经影像数据上的实证表现如何？

主要发现

• 所提出的方法通过利用多个具有异质噪声的网络之间的共享均值结构，显著提升了估计精度。
• 建立了加权邻接矩阵低秩截断的有限样本浓度不等式，为该方法提供了理论支持。
• 该方法在具有不同噪声水平和结构的合成网络上表现出稳健性能。
• 在fMRI精神分裂症研究中，该方法揭示了比单独分析各网络更一致且更具生物学合理性的网络模式。
• 边级误差对估计的影响是可测量且可控的，尤其是在考虑噪声异质性时。
• 在有限样本条件下，该方法在恢复真实底层低秩结构方面优于基线方法。