[论文解读] Fast embedding of multilayer networks: An algorithm and application to group fMRI.

James Wilson, Melanie Baybay+2 more|arXiv (Cornell University)|Sep 17, 2018

Functional Brain Connectivity Studies参考文献 67被引用 10

一句话总结

本文提出 multi-node2vec，一种可扩展的算法，通过使用二阶随机游走采样和 Skip-gram 模型，从多层网络中学习连续的节点表征。该方法在群体 fMRI 数据上优于现有方法，识别出与已知大脑功能组织高度一致的节点特征。

ABSTRACT

Learning interpretable features from complex multilayer networks is a challenging and important problem. The need for such representations is particularly evident in multilayer networks of the brain, where nodal characteristics may help model and differentiate regions of the brain according to individual, cognitive task, or disease. Motivated by this problem, we introduce the multi-node2vec algorithm, an efficient and scalable feature engineering method that automatically learns continuous node feature representations from multilayer networks. Multi-node2vec relies upon a second-order random walk sampling procedure that efficiently explores the inner- and intra- layer ties of the observed multilayer network is utilized to identify multilayer neighborhoods. Maximum likelihood estimators of the nodal features are identified through the use of the Skip-gram neural network model on the collection of sampled neighborhoods. We investigate the conditions under which multi-node2vec is an approximation of a closed-form matrix factorization problem. We demonstrate the efficacy of multi-node2vec on a multilayer functional brain network from resting state fMRI scans over a group of 74 healthy individuals. We find that multi-node2vec outperforms contemporary methods on complex networks, and that multi-node2vec identifies nodal characteristics that closely associate with the functional organization of the brain.

研究动机与目标

• 为解决从复杂多层网络（尤其是脑网络）中学习可解释的、连续的节点特征表征的挑战。
• 开发一种可扩展且高效的特征工程方法，能够捕捉多层网络中的层内与层间连接模式。
• 实现对反映个体、认知或病理脑网络差异的节点特征的识别。
• 证明该方法在真实世界多层脑网络上优于当代方法。

提出的方法

• 该方法采用二阶随机游走采样过程，探索多层邻域，捕捉层内与层间连接。
• 利用 Skip-gram 神经网络模型，通过最大化观察到的邻域序列的似然性，学习节点特征表征。
• 在特定条件下，该算法与闭式矩阵分解问题存在理论关联，提供了可解释性。
• 通过在采样的多层邻域上进行随机优化，端到端学习节点嵌入。
• 该方法设计为计算高效且可扩展，适用于大规模多层网络，如 fMRI 数据生成的网络。

实验结果

研究问题

• RQ1 可扩展算法能否从多层网络中学习到反映底层网络结构的有意义且连续的节点表征？
• RQ2 multi-node2vec 在从复杂多层网络学习特征方面，与现有最先进方法相比表现如何？
• RQ3 所学习的节点特征在静息态 fMRI 数据中，与已知的大脑功能组织在多大程度上一致？
• RQ4 在何种条件下，multi-node2vec 与矩阵分解存在数学关联？

主要发现

• multi-node2vec 在复杂多层网络中学习节点表征方面优于当代方法，尤其在捕捉结构与功能关系方面表现优异。
• 所学习的节点特征在 74 名健康个体群体中，与大脑功能组织表现出强烈关联。
• 该算法通过二阶随机游走采样，有效捕捉了层内与层间连接模式。
• 该方法具有可扩展性和高效性，可应用于大规模多层脑网络，如 fMRI 衍生的网络。
• 理论分析表明，multi-node2vec 在特定网络条件下近似于闭式矩阵分解。