[论文解读] Network Regression with Graph Laplacians

Yidong Zhou, Hans‐Georg Müller|arXiv (Cornell University)|Sep 7, 2021

Functional Brain Connectivity Studies被引用 6

一句话总结

该论文提出了一种新颖的内在回归框架，用于网络值响应，采用图拉普拉斯矩阵，通过来自全局和局部最小二乘法的权重对条件弗雷chet均值进行M-估计。该方法通过经验过程理论建立了渐近收敛速率，并在fMRI和出租车网络数据上表现出色。

ABSTRACT

Network data are increasingly available in various research fields, motivating statistical analysis for populations of networks where a network as a whole is viewed as a data point. Due to the non-Euclidean nature of networks, basic statistical tools available for scalar and vector data are no longer applicable when one aims to relate networks as outcomes to Euclidean covariates, while the study of how a network changes in dependence on covariates is often of paramount interest. This motivates to extend the notion of regression to the case of responses that are network data. Here we propose to adopt conditional Fréchet means implemented with both global least squares regression and local weighted least squares smoothing, extending the Fréchet regression concept to networks that are quantified by their graph Laplacians. The challenge is to characterize the space of graph Laplacians so as to justify the application of Fréchet regression. This characterization then leads to asymptotic rates of convergence for the corresponding M-estimators by applying empirical process methods. We demonstrate the usefulness and good practical performance of the proposed framework with simulations and with network data arising from resting-state fMRI in neuroimaging, as well as New York taxi records.

研究动机与目标

• 解决非欧几里得空间中网络响应回归缺乏理论和内在方法的问题。
• 克服基于嵌入的方法在损失关系结构和分配无效网络概率方面的局限性。
• 开发一个理论基础坚实的框架，用于建模网络拓扑如何随协变量变化。
• 通过图拉普拉斯矩阵作为典型表示，实现对标签化网络群体的回归，例如脑连接网络。
• 为图拉普拉斯矩阵空间中条件弗雷chet均值的M-估计器提供渐近理论。

提出的方法

• 将每个网络表示为其图拉普拉斯矩阵，利用其与标记简单网络之间的唯一对应关系。
• 将网络回归表述为图拉普拉斯矩阵空间中条件弗雷chet均值的估计，使用基于局部和全局最小二乘法权重的M-估计器。
• 表征图拉普拉斯矩阵的空间，以证明弗雷chet回归的合理性，确保数学上的有效性。
• 应用经验过程方法，在正则性条件下推导M-估计器的渐近收敛速率。
• 使用基于核的加权方案，平衡弗雷chet均值估计中局部与全局回归的影响。
• 通过在对称半正定矩阵空间上使用幂度量，定义图拉普拉斯矩阵之间的距离。

实验结果

研究问题

• RQ1 能否为网络值响应开发一个理论合理且尊重网络空间非欧几里得几何的回归框架？
• RQ2 如何利用图拉普拉斯矩阵作为基础表示，估计网络数据的条件弗雷chet均值？
• RQ3 在此非欧几里得回归框架中，M-估计器的渐近收敛速率是什么？
• RQ4 与基于嵌入或向量化的方法相比，该方法在准确性和理论支持方面表现如何？
• RQ5 该框架能否有效建模协变量依赖的网络结构变化，例如与年龄相关的脑连接变化？

主要发现

• 所提出的框架通过经验过程理论，为图拉普拉斯矩阵空间中条件弗雷chet均值的M-估计器建立了渐近收敛速率。
• 该方法通过保留网络空间的内在几何结构，避免了嵌入空间中无效的网络表示，优于基于嵌入的方法。
• 在fMRI数据中，模型成功捕捉了与年龄相关的脑连接模式变化，表现出对认知衰退标志物的敏感性。
• 在纽约出租车网络数据上，模型揭示了随一天中时间和星期几协变量而变化的有意义区域移动模式。
• 同时使用全局和局部最小二乘权重相比纯局部或全局加权方案，显著提升了估计的稳定性和准确性。
• 为图拉普拉斯矩阵空间提供了理论依据，使弗雷chet回归能够严谨应用于网络值数据。