Graph-Guided Universum Learning in Generalized Eigenvalue Proximal SVMs for Alzheimer's Disease Classification

Resumen Técnico: Aprendizaje de Universum Guiado por Grafos en SVM Proximales de Autovalores Generalizados para la Clasificación de la Enfermedad de Alzheimer

Planteamiento del Problema
La detección temprana y precisa de la Enfermedad de Alzheimer (EA) es crítica para la intervención; sin embargo, el aprendizaje a partir de datos de RM estructural presenta desafíos debido a la alta dimensionalidad, el desequilibrio de clases y la limitación de muestras etiquetadas. Si bien las Máquinas de Soporte Vectorial Proximales de Autovalores Generalizados (GEPSVM) y sus variantes basadas en Universum han mostrado ser prometedoras, los métodos existentes tratan las muestras de Universum (puntos de datos que no pertenecen a ninguna de las dos clases objetivo) como puntos independientes con un peso igual. Este enfoque ignora las relaciones geométricas y la estructura de variedad (manifold) inherentes a los datos de Universum. En el contexto de la clasificación de la EA, los sujetos con Deterioro Cognitivo Leve (DCL) sirven como muestras naturales de Universum, representando un estado intermedio entre la Cognición Normal (CN) y la EA. Sin embargo, los modelos actuales no logran aprovechar la conectividad estructural entre estas muestras de DCL para guiar el límite de decisión.

Metodología
El artículo propone dos modelos de aprendizaje de Universum guiados por grafos, UG-GEPSVM e IUG-GEPSVM, que integran la estructura geométrica de las muestras de Universum en el marco de aprendizaje.

1. Construcción del Grafo:

   • Las muestras de Universum (sujetos con DCL) se utilizan para construir un grafo basado en la similitud Gaussiana.
   • Se deriva un Árbol de Expansión Mínima (MST) para asegurar la conectividad.
   • Se aplica la propagación de múltiples saltos (multi-hop) para agregar la información estructural a través del grafo.
   • Se calcula una matriz de Laplaciano de grafo ($L$) a partir de esta estructura para capturar las relaciones geométricas entre las muestras de DCL.

2. UG-GEPSVM (GEPSVM Guiado por Grafo de Universum):

   • Este modelo modifica la formulación estándar de GEPSVM reemplazando el término de penalización convencional de Universum independiente por un término de regularización de Laplaciano de grafo: $\|L^{1/2}(Uw + e_ub)\|^2$.
   • Este término penaliza las diferencias en las proyecciones del hiperplano de las muestras de Universum conectadas, imponiendo suavidad a lo largo de la variedad de Universum.
   • El problema de optimización se formula como un problema de autovalores generalizados: $Gz = \lambda(H + P_{graph})z$, donde $P_{graph} = [U \ e_u]^\top L [U \ e_u]$.

3. IUG-GEPSVM (GEPSVM Guiado por Grafo de Universum Mejorado):

   • Este modelo extiende el marco de IGEPSVM (GEPSVM Mejorado), que es numéricamente estable.
   • Reemplaza la matriz de Universum estándar con la matriz regularizada por grafo $P_{graph}$ dentro de una función objetivo basada en diferencias.
   • Esta formulación permite el control independiente sobre la discriminación de clases y la alineación de Universum mediante parámetros de ponderación ($\gamma$ y $\psi$).
   • El problema se reduce a un problema de autovalores estándar: $[(G + \delta I) - \gamma H - \psi P_{graph}]z = \lambda z$, lo que ofrece una estabilidad numérica mejorada sobre la formulación generalizada.

Contribuciones Clave

• Marco Novedoso: El artículo introduce los primeros modelos de aprendizaje de Universum guiados por grafos dentro del marco de autovalores proximales de SVM generalizados, abordando específicamente la limitación de tratar las muestras de Universum como puntos independientes.
• Regularización Estructural: Al utilizar Laplacianos de grafo de múltiples saltos basados en MST, los modelos capturan la estructura geométrica intermedia de las muestras de DCL entre las clases CN y EA, lo que conduce a límites de decisión más suaves.
• Formulaciones Duales: El trabajo proporciona tanto una formulación de autovalores generalizados (UG-GEPSVM) como una formulación de autovalores estándar numéricamente estable (IUG-GEPSVM), ofreciendo flexibilidad en la implementación y estabilidad.
• Robustez: Los métodos propuestos están diseñados para mantener el rendimiento bajo niveles variables de ruido Gaussiano, aprovechando la estabilidad de la estructura de la variedad.

Resultados Experimentales
Los modelos fueron evaluados en el conjunto de datos ADNI que contiene 1,017 sujetos (788 CN, 229 EA, 391 DCL). Las características se extrajeron utilizando Análisis de Componentes Independientes (ICA) y Análisis de Componentes Principales (PCA). Los experimentos se realizaron en cinco niveles de ruido (0% a 20%) añadidos a las características.

• Rendimiento: UG-GEPSVM logró el AUC promedio más alto de 88.07% en las diez variantes del conjunto de datos (ICA y PCA en cinco niveles de ruido), superando a las líneas base existentes, incluyendo GEPSVM, IGEPSVM, UTSVM, UGEPSVM e IUGEPSVM.
• Robustez al Ruido: UG-GEPSVM demostró una estabilidad superior. Mientras que los métodos convencionales como GEPSVM experimentaron una degradación significativa del rendimiento (por ejemplo, una caída del 16.30% en el AUC del 0% al 20% de ruido en los datos de ICA), el UG-GEPSVM mantuvo valores de AUC entre 88.00% y 89.70% en todos los niveles de ruido.
• Significancia Estadística: Las pruebas post-hoc de Friedman y Nemenyi confirmaron que las mejoras de rendimiento de los modelos propuestos sobre los métodos existentes son estadísticamente significativas.
• Sensibilidad de Hiperparámetros: El análisis de sensibilidad indicó que el UG-GEPSVM mantiene un rendimiento estable sobre un amplio rango de valores de hiperparámetros, lo que sugiere que no requiere un ajuste altamente preciso.

Significancia y Reivindicaciones
El artículo afirma que la principal significancia de este trabajo radica en demostrar que la incorporación de la estructura geométrica de los datos de Universum (mediante la regularización del Laplaciano de grafo) proporciona una señal discriminativa que las penalizaciones de Universum independientes no pueden capturar. Al tratar a los sujetos con DCL no solo como un grupo de puntos intermedios, sino como una variedad conectada, los clasificadores pueden generalizar mejor y permanecer robustos contra el ruido. Los autores aseveran que su enfoque cierra eficazmente la brecha entre los datos etiquetados de EA/CN y el estado intermedio de DCL, resultando en clasificaciones de límites más fiables para la detección de la enfermedad de Alzheimer. Se sugiere como trabajo futuro explorar la construcción de grafos adaptativos, formulaciones de kernel y la integración multimodal (por ejemplo, imágenes de PET).