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

Riepilato Tecnico: Apprendimento dell'Universum Guidato da Grafi in GEPSVM con Autovalori Generalizzati per la Classificazione della Malattia di Alzheimer

Definizione del Problema
La rilevazione precoce e accurata della Malattia di Alzheimer (AD) è critica per l'intervento, tuttavia l'apprendimento da dati MRI strutturali presenta sfide dovute all'alta dimensionalità, allo sbilanciamento delle classi e alla limitata disponibilità di campioni etichettati. Sebbene le Support Vector Machines prossimali con autovalori generalizzati (GEPSVM) e le loro varianti basate sull'Universum abbiano mostrato risultati promettenti, i metodi esistenti trattano i campioni Universum (punti dati che non appartengono a nessuna delle due classi target) come punti indipendenti e con pesi uguali. Questo approccio ignora le relazioni geometriche e la struttura del manifold intrinseche nei dati Universum. Nel contesto della classificazione dell'AD, i soggetti con Deterioramento Cognitivo Lieve (MCI) fungono da naturali campioni Universum, rappresentando uno stato intermedio tra Cognitivamente Normale (CN) e AD. Tuttavia, i modelli attuali non riescono a sfruttare la connettività strutturale tra questi campioni MCI per guidare il confine di decisione.

Metodologia
Il documento propone due modelli di apprendimento dell'Universum guidati da grafi, UG-GEPSVM e IUG-GEPSVM, che integrano la struttura geometrica dei campioni Universum nel framework di apprendimento.

1. Costruzione del Grafo:

   • I campioni Universum (soggetti MCI) vengono utilizzati per costruire un grafo basato sulla similarità Gaussiana.
   • Viene derivato un Albero Ricoprente Minimo (MST) per garantire la connettività.
   • Viene applicata la propagazione multi-hop per aggregare l'informazione strutturale attraverso il grafo.
   • Una matrice Laplaciana del grafo ($L$) viene calcolata da questa struttura per catturare le relazioni geometriche tra i campioni MCI.

2. UG-GEPSVM (GEPSVM con Universum guidato da Grafo):

   • Questo modello modifica la formulazione standard della GEPSVM sostituendo il convenzionale termine di penalità dell'Universum indipendente con un termine di regolarizzazione della Laplaciana del grafo: $\|L^{1/2}(Uw + e_ub)\|^2$.
   • Questo termine penalizza le differenze nelle proiezioni dell'iperpiano dei campioni Universum connessi, imponendo la fluidità lungo il manifold dell'Universum.
   • Il problema di ottimizzazione è formulato come un problema di autovalori generalizzato: $Gz = \lambda(H + P_{graph})z$, dove $P_{graph} = [U \ e_u]^\top L [U \ e_u]$.

3. IUG-GEPSVM (GEPSVM Migliorato con Universum guidato da Grafo):

   • Questo modello estende il framework della IGEPSVM (Improved GEPSVM) numericamente stabile.
   • Sostituisce la matrice Universum standard con la matrice regolarizzata dal grafo $P_{graph}$ all'interno di una funzione obiettivo basata sulla differenza.
   • Questa formulazione consente il controllo indipendente sulla discriminazione delle classi e sull'allineamento dell'Universum tramite parametri di ponderazione ($\gamma$ e $\psi$).
   • Il problema si riduce a un problema di autovalori standard: $[(G + \delta I) - \gamma H - \psi P_{graph}]z = \lambda z$, offrendo una maggiore stabilità numerica rispetto alla formulazione generalizzata.

Contributi Chiave

• Framework Innovativo: Il documento introduce i primi modelli di apprendimento dell'Universum guidati da grafi all'interno del framework delle SVM prossimali con autovalori generalizzati, affrontando specificamente il limite del trattamento dei campioni Universum come punti indipendenti.
• Regolarizzazione Strutturale: Utilizzando le Laplaciane di grafi multi-hop basate su MST, i modelli catturano la struttura geometrica intermedia dei campioni MCI tra le classi CN e AD, portando a confini decisionali più fluidi.
• Formulazioni Duali: Il lavoro fornisce sia una formulazione di autovalori generalizzati (UG-GEPSVM) che una formulazione di autovalori standard numericamente stabile (IUG-GEPSVM), offrendo flessibilità nell'implementazione e stabilità.
• Robustezza: I modelli proposti sono progettati per mantenere le prestazioni sotto diversi livelli di rumore Gaussiano, sfruttando la stabilità della struttura del manifold.

Risultati Sperimentali
I modelli sono stati valutati sul dataset ADNI contenente 1.017 soggetti (788 CN, 229 AD, 391 MCI). Le caratteristiche sono state estratte utilizzando l'Analisi delle Componenti Indipendenti (ICA) e l'Analisi delle Componenti Principali (PCA). Gli esperimenti sono stati condotti su cinque livelli di rumore (dallo 0% al 20%) aggiunti alle caratteristiche.

• Prestazioni: UG-GEPSVM ha raggiunto l'Area Sotto la Curva (AUC) media più elevata dell'88,07% su tutti i dieci varianti del dataset (ICA e PCA a cinque livelli di rumore), superando i baseline esistenti inclusi GEPSVM, IGEPSVM, UTSVM, UGEPSVM e IUGEPSVM.
• Robustezza al Rumore: UG-GEPSVM ha dimostrato una stabilità superiore. Mentre i metodi convenzionali come GEPSVM hanno subito un significativo degrado delle prestazioni (ad esempio, un calo del 16,30% dell'AUC dallo 0% al 20% di rumore sui dati ICA), UG-GEPSVM ha mantenuto valori di AUC compresi tra l'88,00% e l'89,70% in tutti i livelli di rumore.
• Significatività Statistica: I test di Friedman e i test post-hoc di Nemenyi hanno confermato che i miglioramenti delle prestazioni dei modelli proposti rispetto ai metodi esistenti sono statisticamente significativi.
• Sensibilità agli Iperparametri: L'analisi di sensibilità ha indicato che UG-GEPSVM mantiene prestazioni stabili in un ampio intervallo di valori degli iperparametri, suggerendo che non richiede una calibrazione estremamente precisa.

Significato e Rivendicazioni
Il documento afferma che la principale significatività di questo lavoro risiede nel dimostrare che l'incorporazione della struttura geometrica dei dati Universum (tramite regolarizzazione della Laplaciana del grafo) fornisce un segnale discriminativo che le penalità dell'Universum indipendenti non possono catturare. Trattando i soggetti MCI non solo come un insieme di punti intermedi ma come un manifold connesso, i classificatori possono generalizzare meglio e rimanere robusti contro il rumore. Gli autori sostengono che il loro approccio colma efficacemente il divario tra i dati etichettati AD/CN e lo stato intermedio MCI, risultando in confini di classificazione più affidabili per la rilevazione della malattia di Alzheimer. Il lavoro futuro suggerisce di esplorare la costruzione di grafi adattivi, formulazioni kernelizzate e l'integrazione multimodale (ad esempio, l'imaging PET).