[论文解读] Common and Individual Structure of Multiple Networks

Lu Wang, Zhengwu Zhang+1 more|arXiv (Cornell University)|Jul 20, 2017

Complex Network Analysis Techniques参考文献 24被引用 4

一句话总结

该论文提出多重图因子分解（M-GRAF），一种利用逻辑回归与分层特征值分解来估计复制网络中共存结构与个体特异性结构的方法。该方法能有效捕捉共享连接模式及低维个体偏差，在模拟实验与脑连接组学应用中表现优异。

ABSTRACT

This article focuses on the problem of studying shared- and individual-specific structure in replicated networks or graph-valued data. In particular, the observed data consist of $n$ graphs, $G_i, i=1,\ldots,n$, with each graph consisting of a collection of edges between $V$ nodes. In brain connectomics, the graph for an individual corresponds to a set of interconnections among brain regions. Such data can be organized as a $V imes V$ binary adjacency matrix $A_i$ for each $i$, with ones indicating an edge between a pair of nodes and zeros indicating no edge. When nodes have a shared meaning across replicates $i=1,\ldots,n$, it becomes of substantial interest to study similarities and differences in the adjacency matrices. To address this problem, we propose a method to estimate a common structure and low-dimensional individual-specific deviations from replicated networks. The proposed Multiple GRAph Factorization (M-GRAF) model relies on a logistic regression mapping combined with a hierarchical eigenvalue decomposition. We develop an efficient algorithm for estimation and study basic properties of our approach. Simulation studies show excellent operating characteristics and we apply the method to human brain connectomics data.

研究动机与目标

• 建模复制网络中的共性结构与个体特异性结构，其中每个网络代表一组节点连接。
• 在多个图中估计跨图的共性网络结构，同时捕捉低维个体偏差。
• 开发一种统计上可靠且计算高效的图值数据分析方法，尤其适用于连接组学。
• 实现对脑网络数据中个体间结构相似性与差异性的推断。

提出的方法

• M-GRAF 模型采用逻辑回归框架来建模每个图中的边概率，整合共性与个体特异性成分。
• 通过分层特征值分解，将个体特异性偏差表示在低维潜在空间中。
• 该方法通过一种高效算法交替更新共性结构与个体偏差来估计参数。
• 该模型假设邻接矩阵为二值矩阵，表示在 n 个复制网络中 V 个节点之间的相互连接。
• 利用逻辑链接函数的结构，建模边存在的概率，同时保持共性与个体成分的可解释性。

实验结果

研究问题

• RQ1 如何联合估计多个复制网络中的共性网络结构与个体特异性偏差？
• RQ2 结合逻辑回归与分层特征值分解的方法在处理网络数据时，其统计效率与计算效率如何？
• RQ3 该方法在模拟网络数据中对真实共性与个体结构的恢复能力如何？
• RQ4 该方法能否在真实脑连接组学数据中检测到有意义的个体差异？

主要发现

• M-GRAF 方法在模拟研究中表现出优异的运行特性，能准确恢复共性与个体特异性网络结构。
• 该方法成功识别出人类脑连接组学数据中相对于共性网络结构的低维个体偏差。
• 分层特征值分解能有效捕捉个体特异性网络模式，同时保持计算效率。
• 逻辑回归框架能够实现对边概率的稳健建模，相比基线方法显著提升估计精度。