[论文解读] Bayesian estimation for large scale multivariate Ornstein-Uhlenbeck model of brain connectivity

Andrea Insabato, John P. Cunningham+1 more|arXiv (Cornell University)|May 25, 2018

Functional Brain Connectivity Studies参考文献 12被引用 3

一句话总结

本文比较了贝叶斯估计与矩量法和李雅普诺夫优化在大规模多变量 Ornstein-Uhlenbeck（mOU）脑连接模型中的表现。结果表明，贝叶斯估计在数学上等价于矩量法，但其可扩展性差且存在严重的数值不稳定性——尤其由于连接估计中虚部成分持续增长，导致其准确度显著低于李雅普诺夫优化方法。后者在时间样本较少的情况下，对真实fMRI数据的分类性能更优。

ABSTRACT

Estimation of reliable whole-brain connectivity is a crucial step towards the use of connectivity information in quantitative approaches to the study of neuropsychiatric disorders. When estimating brain connectivity a challenge is imposed by the paucity of time samples and the large dimensionality of the measurements. Bayesian estimation methods for network models offer a number of advantages in this context but are not commonly employed. Here we compare three different estimation methods for the multivariate Ornstein-Uhlenbeck model, that has recently gained some popularity for characterizing whole-brain connectivity. We first show that a Bayesian estimation of model parameters assuming uniform priors is equivalent to an application of the method of moments. Then, using synthetic data, we show that the Bayesian estimate scales poorly with number of nodes in the network as compared to an iterative Lyapunov optimization. In particular when the network size is in the order of that used for whole-brain studies (about 100 nodes) the Bayesian method needs about eight times more time samples than Lyapunov method in order to achieve similar estimation accuracy. We also show that the higher estimation accuracy of Lyapunov method is reflected in a much better classification of individuals based on the estimated connectivity from a real dataset of BOLD fMRI. Finally we show that the poor accuracy of Bayesian method is due to numerical errors, when the imaginary part of the connectivity estimate gets large compared to its real part.

研究动机与目标

• 解决从高维、有限时间长度的fMRI时间序列中可靠估计全脑连接的挑战。
• 评估贝叶斯估计在大规模mOU模型中相对于矩量法与李雅普诺夫优化的性能表现。
• 探究贝叶斯方法中估计准确度低下的原因，特别是数值不稳定性问题。
• 评估估计准确度对基于估计连接矩阵进行个体分类任务的影响。
• 探索通过替代先验或正则化技术改进贝叶斯估计的潜力。

提出的方法

• 将多变量Ornstein-Uhlenbeck（mOU）过程形式化为具有耦合矩阵 $C$、噪声方差 $\Sigma$ 和时间常数 $\tau_x$ 的网络模型。
• 利用李雅普诺夫方程 $JQ^0 + Q^0J^T + \Sigma = 0$ 从模型参数计算理论协方差 $Q^0$。
• 应用矩量法，通过 $\hat{J} = \frac{1}{\tau} \left[ \log m(\hat{Q}^\tau (\hat{Q}^0)^{-1}) \right]^T$ 估计 $\hat{J}$，其中 $\log m$ 为矩阵对数。
• 采用均匀先验实现贝叶斯估计，其数学上等价于矩量法，并计算后验均值估计。
• 通过最小化协方差矩阵与滞后协方差矩阵的误差，使用迭代李雅普诺夫优化方法改进估计。
• 应用结构连接性作为掩码，以约束连接估计，提升可解释性与稀疏性。

实验结果

研究问题

• RQ1 当使用均匀先验时，mOU模型的贝叶斯估计是否与矩量法等价？
• RQ2 与李雅普诺夫优化相比，贝叶斯方法的估计准确度在网络规模与时间样本数量增加时如何变化？
• RQ3 在大规模脑网络中，贝叶斯mOU估计中估计误差的主要来源是什么？
• RQ4 李雅普诺夫优化带来的估计准确度提升是否能转化为真实fMRI数据中下游分类任务的性能改善？
• RQ5 矩阵对数步骤中的数值不稳定性是否可归因于连接估计中虚部与实部之比持续增长？

主要发现

• 使用均匀先验的贝叶斯估计在数学上等价于mOU模型参数估计的矩量法。
• 贝叶斯方法的估计准确度显著低于李雅普诺夫优化，需约八倍的时间样本数才能在100节点网络中达到相似性能。
• 贝叶斯估计中的主要误差来源是矩阵对数步骤的数值不稳定性，即随着网络规模增大，连接估计的虚部相对于实部不成比例地增长。
• 李雅普诺夫方法在真实fMRI数据上实现了更高的个体身份分类准确度，小提琴图显示在100次随机训练-测试划分中性能始终更优。
• 贝叶斯方法的误差并非源于协方差或滞后协方差估计不佳，而是特异地源于对比率 $\hat{\Lambda} = (\hat{Q}^0)^{-1} \hat{Q}^\tau$ 执行矩阵对数运算。
• 估计连接中虚部范数与实部范数之比随网络规模增大而上升，证实了对数运算中的数值不稳定性是主要误差来源。