[论文解读] Multi-view Graph Embedding with Hub Detection for Brain Network Analysis

Guixiang Ma, Chun-Ta Lu+3 more|arXiv (Cornell University)|Sep 12, 2017

Functional Brain Connectivity Studies参考文献 28被引用 6

一句话总结

该论文提出MVGE-HD，一种自动加权的多视角图嵌入框架，可联合学习节点嵌入并检测脑网络中的枢纽节点，通过减少枢纽引起的边界模糊化，提升聚类清晰度。在HIV和双相情感障碍数据集上的评估表明，MVGE-HD通过在fMRI和DTI视角下构建更具区分性的统一图表示，显著提升了神经疾病分类的性能。

ABSTRACT

Multi-view graph embedding has become a widely studied problem in the area of graph learning. Most of the existing works on multi-view graph embedding aim to find a shared common node embedding across all the views of the graph by combining the different views in a specific way. Hub detection, as another essential topic in graph mining has also drawn extensive attentions in recent years, especially in the context of brain network analysis. Both the graph embedding and hub detection relate to the node clustering structure of graphs. The multi-view graph embedding usually implies the node clustering structure of the graph based on the multiple views, while the hubs are the boundary-spanning nodes across different node clusters in the graph and thus may potentially influence the clustering structure of the graph. However, none of the existing works in multi-view graph embedding considered the hubs when learning the multi-view embeddings. In this paper, we propose to incorporate the hub detection task into the multi-view graph embedding framework so that the two tasks could benefit each other. Specifically, we propose an auto-weighted framework of Multi-view Graph Embedding with Hub Detection (MVGE-HD) for brain network analysis. The MVGE-HD framework learns a unified graph embedding across all the views while reducing the potential influence of the hubs on blurring the boundaries between node clusters in the graph, thus leading to a clear and discriminative node clustering structure for the graph. We apply MVGE-HD on two real multi-view brain network datasets (i.e., HIV and Bipolar). The experimental results demonstrate the superior performance of the proposed framework in brain network analysis for clinical investigation and application.

研究动机与目标

• 解决现有多视角图嵌入方法忽略枢纽节点的问题，以减少脑网络中节点聚类边界的模糊化。
• 通过联合优化多视角图嵌入与枢纽检测，使两项任务相互促进性能提升。
• 在多个神经影像视角（fMRI与DTI）上学习统一的低维节点嵌入，同时最小化高阶枢纽节点的干扰影响。
• 开发一种自动加权机制，根据各视角对嵌入质量与枢纽检测的贡献程度，自适应地分配其重要性。
• 通过生成更清晰、更具区分性的聚类结构，提升多视角脑网络中神经疾病临床分类的准确性。

提出的方法

• 提出一种自动加权优化框架，通过统一的目标函数联合学习图嵌入并检测枢纽节点。
• 通过学习共享的低维节点表示，整合多个视角（如fMRI与DTI），以保留结构与功能连接模式。
• 引入一种枢纽感知正则化项，在嵌入学习过程中减少枢纽节点对聚类边界模糊化的影响。
• 使用基于融合视角构建的统一图拉普拉斯矩阵进行谱聚类，其中视角权重通过端到端优化学习得到。
• 采用交替优化策略，迭代优化嵌入与枢纽检测，同步提升两项任务的性能。
• 采用基于最小描述长度的方法，确保各视角间聚类的一致性，同时保持枢纽节点的可解释性。

实验结果

研究问题

• RQ1 联合学习多视角图嵌入与枢纽检测是否能提升脑网络中节点聚类的清晰度与区分性？
• RQ2 在多视角图嵌入过程中，如何有效建模关键的边界跨越枢纽节点，以防止聚类边界模糊化？
• RQ3 如何自动加权不同神经影像视角（如fMRI与DTI）以提升嵌入质量与枢纽检测准确性？
• RQ4 在多视角嵌入过程中引入枢纽检测是否能提升神经疾病临床分类的性能？
• RQ5 在多视角脑网络中，HIV或双相情感障碍患者与健康对照组的枢纽模式在多大程度上存在差异？

主要发现

• MVGE-HD通过减少多视角脑网络中枢纽引起的边界模糊化，在HIV与双相情感障碍数据集中显著提升了聚类质量。
• 与最先进多视角聚类基线相比，MVGE-HD在NMI（标准化互信息）与ARI（调整兰德指数）指标上均取得更高得分，证明其聚类性能更优。
• 自动加权机制成功识别出fMRI与DTI视角的相对重要性，DTI通常获得更高权重，因其提供结构连接信息。
• MVGE-HD中的枢纽检测揭示了HIV与双相情感障碍患者与健康对照组之间存在显著不同的枢纽模式，支持其临床相关性。
• 嵌入与枢纽检测的联合优化生成了更鲁棒、更具区分性的表示，从而增强了神经疾病下游分类的性能。
• 实证结果证实，若在嵌入学习过程中排除枢纽节点，聚类性能将下降，验证了枢纽感知建模的必要性。