[论文解读] Systems Aliasing in Dynamic Network Reconstruction: Issues on Low Sampling Frequencies

Zuogon Yue, Johan Thunberg+3 more|arXiv (Cornell University)|May 27, 2016

Gene Regulatory Network Analysis参考文献 12被引用 3

一句话总结

本文提出了动态网络重构中的'系统混叠'概念，即低采样频率导致多个连续时间系统产生完全相同的离散采样，从而使网络结构推断变得模糊。本文建立了一个类似奈奎斯特-香农采样定理的采样定理，以确定避免混叠的最小采样频率，并提出了一种在无混叠条件下对稀疏网络进行重构的算法，同时在混叠发生时通过引入稀疏性先验信息进行扩展。

ABSTRACT

Network reconstruction of dynamical continuous-time (CT) systems is motivated by applications in many fields. Due to experimental limitations, especially in biology, data could be sampled at low frequencies, leading to significant challenges in network inference. We introduce the concept of "system aliasing" and characterize the minimal sampling frequency that allows reconstruction of CT systems from low sampled data. A test criterion is also proposed to check whether system aliasing is presented. With no system aliasing, the paper provides an algorithm to reconstruct dynamic network from data in the presence of noise. In addition, when there is system aliasing we perform studies that add additional prior information of the system such as sparsity. This paper opens new directions in modelling of network systems where samples have significant costs. Such tools are essential to process the available data in applications subject to current experimental limitations.

研究动机与目标

• 解决从低采样频率数据中重构动态网络的挑战，特别是在实验上难以实现高频采样的生物系统中。
• 识别并形式化'系统混叠'问题，即不同的连续时间系统在相同采样频率下产生完全相同的采样输出，导致网络推断模糊。
• 建立一个理论上最小的采样频率，以避免系统混叠，其原理类似于奈奎斯特-香农采样定理。
• 在无系统混叠的情况下，即使存在噪声，也开发一种用于稀疏动态网络的重构算法。
• 研究在系统混叠存在时，利用额外先验信息（如稀疏性）恢复真实网络结构的可行性。

提出的方法

• 将系统混叠定义为：在给定采样频率下，存在多个不同的连续时间系统产生完全相同的采样输出。
• 推导出一个类似奈奎斯特-香农采样定理的采样定理，基于系统矩阵的特征结构，确定避免系统混叠所需的最小采样频率。
• 提出一种利用核范数最小化和稀疏性促进优化（如LASSO）的重构算法，以从低频采样数据中推断稀疏网络结构。
• 引入一种检测准则，通过分析系统矩阵的特征值和若尔当代数结构，判断给定数据集中是否存在系统混叠。
• 在检测到混叠时，利用网络稀疏性的先验知识来约束解空间，从而在不确定性下提高可辨识性。
• 将重构问题表述为矩阵变换 $ h_Z(\bullet) $，并使用基于迹的Frobenius范数比较，评估候选系统矩阵之间的等价性。

实验结果

研究问题

• RQ1 什么是最小采样频率，可确保从采样数据中唯一重构连续时间动态网络？
• RQ2 系统混叠在何种条件下发生，以及如何从采样时间序列数据中实际检测到它？
• RQ3 当系统混叠存在时，是否仍能可靠地重构稀疏网络结构，需要何种额外约束？
• RQ4 采样数据中的噪声如何影响底层网络结构的可辨识性？
• RQ5 在低采样频率下，稀疏性先验知识在多大程度上能提高网络重构的准确性？

主要发现

• 本文基于系统矩阵的特征结构，推导出一个理论上防止系统混叠的采样频率下限，其原理类似于奈奎斯特-香农定理。
• 当多个不同的连续时间系统产生完全相同的采样输出时，系统混叠发生，导致网络结构推断模糊。
• 提出一种检测系统混叠的准则，通过分析候选系统矩阵的若尔当代数标准型和特征值分布实现。
• 当无系统混叠时，所提出的算法能成功从低频数据中重构稀疏动态网络，且噪声有界。
• 当存在系统混叠时，利用稀疏性先验可显著提高识别真实网络结构的可行性，尽管精确恢复在理论上仍受限。
• 使用变换 $ h_Z(\bullet) $ 的Frobenius范数来比较系统矩阵，证明了 $ \|h_Z(A_1)\|_F = \|h_Z(A_2)\|_F $ 当且仅当 $ A_1 \sim A_2 $，从而提供了一个关键的等价性检验。