[论文解读] Simultaneous Low-rank Component and Graph Estimation for High-dimensional Graph Signals: Application to Brain Imaging

Rui Liu, Hossein Nejati+2 more|arXiv (Cornell University)|Sep 26, 2016

Advanced Graph Neural Networks参考文献 24被引用 3

一句话总结

本文提出了一种用于高维、图平滑且严重受损数据的并行低秩分量与图结构估计算法——尤其适用于脑成像。基于ADMM的优化方法迭代地优化低秩信号与潜在图结构，相较于最先进方法，在MEG数据上实现了更高的分类准确率与更具神经科学合理性的连接图。

ABSTRACT

We propose an algorithm to uncover the intrinsic low-rank component of a high-dimensional, graph-smooth and grossly-corrupted dataset, under the situations that the underlying graph is unknown. Based on a model with a low-rank component plus a sparse perturbation, and an initial graph estimation, our proposed algorithm simultaneously learns the low-rank component and refines the graph. Our evaluations using synthetic and real brain imaging data in unsupervised and supervised classification tasks demonstrate encouraging performance.

研究动机与目标

• 解决在底层图未知或不准确时，对高维、图平滑且严重受损数据中低秩分量进行估计的挑战。
• 通过利用信号的平滑性约束，迭代优化图结构，以改进低秩估计。
• 开发一种鲁棒算法，联合学习低秩分量与图拓扑结构，提升在噪声大、高维场景（如MEG数据）下的性能。
• 在真实脑成像数据上验证该方法，证明其与功能性脑连接的神经科学发现相容。
• 在MEG信号的监督分类任务中，优于现有方法如RPCA、PCA、GL-SigRep与RPCAG。

提出的方法

• 将观测数据矩阵X建模为低秩分量L₀与稀疏扰动M₀之和，假设低秩分量具有图平滑性。
• 使用初始图估计（例如，基于静息态数据的相干性）作为输入，引导学习过程。
• 采用基于ADMM的优化框架，交替更新低秩分量L、稀疏误差E与图拉普拉斯矩阵L_G。
• 在目标函数中引入图拉普拉斯正则化项，以强制低秩信号在估计图上的平滑性。
• 利用更新后的低秩估计，迭代地优化图拉普拉斯矩阵，从而增强平滑性约束，提高低秩恢复的准确性。
• 对估计的低秩矩阵L应用SVD，提取低维表示以用于下游分类任务。

实验结果

研究问题

• RQ1 联合估计低秩分量与底层图结构是否能提升高维、严重受损数据中的信号恢复性能？
• RQ2 与固定图方法相比，图拉普拉斯矩阵的迭代优化如何提升低秩信号估计的准确性？
• RQ3 所提出的方法是否产生更符合已知神经科学发现（如约145ms时的面部处理）的脑功能连接估计？
• RQ4 在MEG数据的分类准确率方面，该方法与最先进方法（如RPCA、PCA、GL-SigRep与RPCAG）相比表现如何？
• RQ5 在MEG与EEG记录中典型的复杂非高斯噪声下，该方法的鲁棒性如何？

主要发现

• 在141–150ms的MEG数据上，该方法实现了81.91%的分类准确率，优于GL-SigRep（78.93%）、RPCAG（81.15%）、RPCA（80.15%）与PCA（78.81%）。
• 在96–105ms时，该方法达到66.65%的准确率，略高于GL-SigRep（64.97%），与其他基线方法相当。
• 在96–105ms时估计的图显示枕叶及左枕颞区连接性更强，与神经科学文献中关于早期视觉处理的发现一致。
• 在141–150ms时，该方法识别出右枕颞区的连接性，与EEG研究中观察到的N170面部处理标记一致。
• 与GL-SigRep相比，该方法的图估计更具生物学合理性，后者产生了不被已知功能神经解剖学支持的连接模式。
• 该方法在严重稀疏损坏与非高斯噪声下表现出更强的鲁棒性，实验证明其在真实MEG数据上的性能优于基于高斯噪声的GL-SigRep等方法。