[论文解读] Classification of weak multi-view signals by sharing factors in a mixture of Bayesian group factor analyzers

Sami Remes, Tommi Mononen+1 more|arXiv (Cornell University)|Dec 17, 2015

Blind Source Separation Techniques参考文献 5被引用 3

一句话总结

该论文提出了一种贝叶斯混合模型的组因子分析方法，通过在聚类间共享潜在因子，以提升对弱多视角信号的分类性能——尤其适用于单次试验的MEG数据。通过将共享（共有的）噪声分量与聚类特异性（区分性）因子分离，该模型在极小的训练集下仍显著优于基线方法，且实现了可解释的、生成式的脑响应重建。

ABSTRACT

We propose a novel classification model for weak signal data, building upon a recent model for Bayesian multi-view learning, Group Factor Analysis (GFA). Instead of assuming all data to come from a single GFA model, we allow latent clusters, each having a different GFA model and producing a different class distribution. We show that sharing information across the clusters, by sharing factors, increases the classification accuracy considerably; the shared factors essentially form a flexible noise model that explains away the part of data not related to classification. Motivation for the setting comes from single-trial functional brain imaging data, having a very low signal-to-noise ratio and a natural multi-view setting, with the different sensors, measurement modalities (EEG, MEG, fMRI) and possible auxiliary information as views. We demonstrate our model on a MEG dataset.

研究动机与目标

• 为解决在多视角脑成像数据（如单次试验MEG）中对弱、信噪比低的信号进行分类的挑战。
• 开发一种保持时间结构并支持可解释性的生成分类模型，与SVM或高斯过程等黑箱方法不同。
• 通过在聚类间共享潜在因子来共享统计效能，从而在数据稀缺的设置下提升分类性能。
• 提供一种能够区分神经噪声与类别判别性脑活动的模型，从而在复杂的神经影像数据中增强信号检测能力。

提出的方法

• 该模型通过为每个类别建模为具有自身聚类特异性因子载荷矩阵和共享因子载荷矩阵的混合成分，扩展了组因子分析（GFA）。
• 共享因子捕捉跨类别的共性非区分性神经活动，而聚类特异性因子则建模弱的、与任务相关的信号。
• 采用变分贝叶斯推断方法联合估计模型参数，包括共享和聚类特异性载荷、因子得分以及类别标签分布。
• 通过在因子精度上设置层次化先验结构，并在类别归属上使用伯努利先验，实现小样本数据下的稳健学习。
• 通过将每个传感器的时间窗视为一个数据源，保留MEG数据中的时间序列结构，使因子能够捕捉时间动态。
• 该模型在多视角数据上端到端训练，其中视角包括不同的MEG传感器、模态或实验条件。

实验结果

研究问题

• RQ1 在多个GFA组件之间共享潜在因子是否能提升弱多视角信号数据中的分类准确率？
• RQ2 与仅包含聚类特异性因子的模型相比，包含共享因子的模型在低信噪比脑成像数据上的性能如何？
• RQ3 该模型能否有效分离单次试验MEG数据中的共性神经噪声与任务判别性信号？
• RQ4 该模型的生成性质是否允许对脑响应（如事件相关电位，ERPs）进行可解释的重建，且其结果与经验平均值一致？

主要发现

• 所提出的模型显著优于组LASSO基线方法，尤其在小样本训练集下表现突出，即使训练数据仅限4个样本，仍实现了高AUC值。
• 不包含共享因子的简化版本模型表现欠佳，证明共享因子对性能提升至关重要。
• 该模型成功重建了与经验平均值高度一致的类别特异性ERPs，证实其能够捕捉区分性神经模式。
• 模型识别出与说话相关的脑区（如头盔边缘附近的运动相关区域）和与听觉相关的脑区（如双侧听觉皮层），与已知神经生理学结果一致。
• 生成式模型使我们能够解释哪些因子对类别差异有贡献：共享因子解释非区分性活动，而聚类特异性因子则捕捉与任务相关的关键信号。