[论文解读] STORE: Sparse Tensor Response Regression and Neuroimaging Analysis

Will Wei Sun, Lexin Li|arXiv (Cornell University)|Sep 15, 2016

Tensor decomposition and applications参考文献 36被引用 52

一句话总结

本文提出STORE模型，一种稀疏张量响应回归方法，通过整合逐元素稀疏性与低秩结构，用于分析高维神经影像数据。该方法采用交替优化算法估计参数，并建立了非渐近误差界，表明计算误差与统计误差均呈现几何收敛，且允许张量维度随样本量呈指数增长。实验基于自闭症谱系障碍（ASD）fMRI数据验证，结果具有生物学合理性。

ABSTRACT

Motivated by applications in neuroimaging analysis, we propose a new regression model, Sparse TensOr REsponse regression (STORE), with a tensor response and a vector predictor. STORE embeds two key sparse structures: element-wise sparsity and low-rankness. It can handle both a non-symmetric and a symmetric tensor response, and thus is applicable to both structural and functional neuroimaging data. We formulate the parameter estimation as a non-convex optimization problem, and develop an efficient alternating updating algorithm. We establish a non-asymptotic estimation error bound for the actual estimator obtained from the proposed algorithm. This error bound reveals an interesting interaction between the computational efficiency and the statistical rate of convergence. When the distribution of the error tensor is Gaussian, we further obtain a fast estimation error rate which allows the tensor dimension to grow exponentially with the sample size. We illustrate the efficacy of our model through intensive simulations and an analysis of the Autism spectrum disorder neuroimaging data.

研究动机与目标

• 开发一种统一的张量响应回归框架，适用于神经影像中的对称（功能型）与非对称（结构型）数据类型。
• 嵌入双重稀疏结构——逐元素稀疏性与低秩性，以降低模型复杂度，同时保持科学可解释性。
• 为由交替优化算法导出的估计器建立有限样本误差界，连接计算收敛性与统计准确性。
• 实现在高维张量回归中的可扩展且统计可靠的推断，尤其当张量维度随样本量呈指数增长时。
• 将该方法应用于真实自闭症谱系障碍（ASD）神经影像数据，识别具有生物学意义的脑区与功能连接模式。

提出的方法

• 将张量响应回归建模为非凸优化问题，对系数张量施加稀疏性与低秩约束。
• 采用交替更新算法：步骤1使用截断张量幂法进行稀疏张量分解；步骤2以闭式解法求解双凸子问题。
• 引入新的稀疏谱范数 η(n⁻¹∑Ei, s)，用于量化误差张量的结构，支持非渐近分析。
• 推导出有限样本误差界，其分解为计算误差（几何衰减）与统计误差（与迭代次数无关）。
• 使用收缩系数 κ ∈ (0,1) 控制收敛速度，并在计算误差主要由统计误差主导时指导停止规则。
• 将方法应用于3D fALFF张量与fMRI数据生成的2D对称偏相关矩阵，使用AAL图谱进行解剖学标注。

实验结果

研究问题

• RQ1 统一的回归模型能否同时处理神经影像中的对称与非对称张量响应，实现结构与功能MRI数据的联合分析？
• RQ2 在张量回归中，如何联合施加逐元素稀疏性与低秩结构，以提升可解释性与计算效率？
• RQ3 所提出算法的有限样本估计误差行为如何？计算误差与统计误差在优化过程中如何相互作用？
• RQ4 当误差张量服从高斯分布时，即使张量维度随样本量呈指数增长，该方法是否仍能实现快速误差收敛？
• RQ5 该模型能否利用真实fMRI数据，在自闭症谱系障碍中识别出具有生物学意义的脑区与连接模式？

主要发现

• 所提出的STORE方法成功识别出少数脑区（如小脑、上顶叶小叶与楔前叶），其在ASD组与对照组间表现出显著不同的fALFF模式。
• STORE估计的系数张量揭示了自发脑活动的生物学上合理的差异，其中小脑在ASD中表现出一致的改变，与现有文献一致。
• 对于2D对称偏相关矩阵响应，STORE识别出20个关键脑网络连接，其中多数集中于左外侧额上回与颞叶，与已知的ASD相关连接中断一致。
• 非渐近误差界显示计算误差随迭代次数呈几何衰减，统计误差在高斯噪声下有界于 O_p(√(s³ log(d₁d₂d₃)/n))，允许张量维度随样本量指数增长。
• 当张量阶数为1时，统计误差简化为 O_p(√(s log d / n))，与高维向量回归中的已知极小极大最优率一致。