技術的概要：最適輸送を用いた個体幾何学を跨ぐ fMRI 活性化辞書の学習

問題定義

機能的磁気共鳴画像法（fMRI）データは、高次元であり、ノイズを含み、本質的に被験者固有の特性を有する。多被験者 fMRI 分析における中心的な課題は、個人間における脳解剖学および機能組織の著しい変動性である。標準的なアプローチは、すべての被験者を共通の解剖学的テンプレート（例：fsaverage） onto 投影することでこの課題に対処する。これは実用的ではあるが、この登録プロセスは被験者固有の構造的な情報を破棄し、不完全な対応関係に依存し、個々の脳の組織を歪める可能性がある。

既存の fMRI 用辞書学習手法は、信号が共通の幾何学 onto 登録されていることを前提としている。Fused Gromov-Wasserstein（FGW）距離を用いたグラフ辞書学習（GDL）は、異なる幾何学を持つグラフを比較する枠組みを提供するが、大規模な神経画像データへの適用は現在、非現実的である。FGW 最適化問題の計算コストは、ノード数に対して立方（損失のバリエーションによっては 4 乗）にスケールするため、従来の GDL 応用は数十ノードしかない小規模グラフに限定されており、一方、fMRI グラフは通常数千のノードを含む。

手法

著者は、被験者固有の幾何学を共通テンプレート onto 投影することなく、直接個々の被験者幾何学から解釈可能な辞書表現を学習するための新たな枠組みである**償却グラフ辞書学習（Amortized Graph Dictionary Learning: AGDL）**を提案する。この手法は 3 つの中核コンポーネントを統合している。

1. FGW 近似のための償却最適化

正確な FGW 距離計算の莫大な計算コストを克服するため、著者は償却最適化を採用する。彼らは、Unsupervised Learning of Optimal Transport (ULOT) アーキテクチャに基づく事前学習済みニューラルネットワークを利用する。

• 学習: ULOT モデルは、データセットからサンプリングされたグラフのペアに対して訓練され、FGW 損失を最小化する最適輸送計画 $P^\alpha_\theta(G_1, G_2)$ を予測する。訓練には、真の対応関係（ground truth correspondences）を必要とせずに周辺制約を促進するための緩和として、Fused Unbalanced Gromov-Wasserstein (FUGW) 損失が使用される。
• 推論: 一度訓練されると、モデルは $O(n_1 n_2)$ の複雑さを持つ単純なフォワードパスを通じて輸送計画を予測し、これにより FGW ベースの手法を大規模グラフ（約 1000 ノード）に適用可能にする。

2. 固定原子幾何学による辞書学習

この手法は、原子 $(F^D_k, C^D_k)$ の辞書を学習する。ここで、構造成分 $C$（グラフ幾何学を表す）は、被験者間での解釈可能性と比較可能性を確保するために、共通の幾何学（例：fsaverage テンプレート）に固定される。特徴成分 $F^D_k$ は学習される。

• 再構成: 各被験者のグラフ $G_i$ は、辞書原子の線形結合として再構成される：$(\sum \omega_k F^D_k, \sum \omega_k C^D_k)$。
• 損失関数: 再構成誤差は、償却 ULOT モデルによって予測された輸送計画を利用し、被験者のネイティブグラフと再構成されたグラフとの間の FGW 距離を用いて計算される。これにより、モデルは共通の辞書構造を維持しつつ、輸送計画を通じて個々の幾何学的変動性を考慮に入れることができる。

3. $\alpha$ 条件付き辞書学習

FGW 距離には、特徴アライメント（Wasserstein 項）と構造アライメント（Gromov-Wasserstein 項）のバランスを取るトレードオフパラメータ $\alpha \in [0, 1]$ が含まれる。すべての $\alpha$ に対して辞書を再訓練するのではなく、著者は明示的に $\alpha$ に依存する辞書を学習することを提案する。

• 線形補間: 辞書原子が 2 つの端点原子間の線形補間である単純なモデル：$F^D = \alpha F^D_0 + (1-\alpha)F^D_1$。
• MLP ベースモデル: $\alpha$ のソフトビン化エンコーディングを入力として受け取り、辞書原子を出力する多層パーセプトロン（MLP）を使用する、より表現力豊かなモデル。これにより、辞書は $\alpha$ に応じて滑らかに進化し、下流のパラメータ選択のための計算オーバーヘッドなしに、異なるレベルの幾何学的変動性を捉えることができる。

主要な貢献

1. スケーラブルな FGW 辞書学習: 本論文は、償却最適化を活用して輸送計画を近似することにより、大規模 fMRI データ（数千ノード）に FGW ベースの辞書学習を適用する最初の手法である AGDL を導入する。
2. ネイティブ幾何学の学習: 標準的なパイプラインがデータを共通テンプレート onto 投影するのとは異なり、AGDL は個々の被験者幾何学から直接表現を学習し、被験者固有の構造的な情報を保持する。
3. パラメータ依存辞書: この手法は、FGW トレードオフパラメータ $\alpha$ に条件付けられた辞書を学習するメカニズムを導入し、再訓練なしに特徴アライメントと構造アライメントの異なるバランスの探求を可能にする。
4. HCP における実証的検証: 本アプローチは Human Connectome Project (HCP) データセットで検証され、タスクベースおよび安静時データの両方に対して意味のある表現を学習する能力を実証した。

実験結果

実験は、7 つの認知タスクにわたる 1,200 人の被験者を含む HCP データセットで行われた。データセットには、ネイティブ個体幾何学と共通の fsaverage 幾何学の両方が含まれていた。

• 再構成の質: 再構成されたコントラストマップ（例："story - math"）の可視化は、AGDL が主要な活性化パターンを捉えながらノイズを平滑化し、ネイティブ幾何学と共通幾何学の間のギャップを効果的に埋めていることを示した。
• コントラスト分類: 学習された埋め込みで訓練された SVM 分類器は、$\alpha = 0.22$ で最高精度を達成した。この特定のタスクでは、ベースライン（共通幾何学）が AGDL をわずかに上回ったが、著者はこれをベースラインが個々の幾何学的「ノイズ」を相殺することに起因すると帰属している。MLP ベースの AGDL モデルは線形補間モデルを上回り、より高い表現力が必要であることを示唆している。
• 被験者分類: 埋め込みに基づいて被験者を分類するというより困難なタスクにおいて、AGDL は共通幾何学のベースラインを大幅に上回った。最良の性能は $\alpha = 0.78$ で達成され、個体を区別するには構造的な情報を捉えることが不可欠であることを示している。t-SNE 可視化は、AGDL 埋め込みが被験者のアイデンティティによってクラスタリングされるのに対し、ベースラインはそうではないことを確認した。
• 原子の進化: 異なる $\alpha$ 値における辞書原子の可視化は、$\alpha$ を増加させる（構造アライメントを強調する）ことが、特定のコントラストに対応するよりシャープで局所化された活性化をもたらすことを示した。

意義と主張

本論文は、すべての被験者を共通の幾何学 onto 投影するという標準的な慣行を超えて進むことで、AGDL が fMRI 分析において重要な前進を表すと主張している。最適輸送を通じて個々の幾何学を明示的にモデル化することで、この手法は登録において通常失われる被験者固有の情報を保持する。

著者は、この作業を、個々の幾何学に関する情報を保持しつつ、異なる幾何学を持つグラフの結合表現を学習する最初のスケーラブルな手法として位置づけている。彼らは、解釈可能性を維持するために辞書原子に固定された幾何学を使用しているが、輸送計画を通じて被験者固有の変動性を成功裡に捉えていることを強調している。結果は、被験者識別を必要とするタスクには個々の幾何学を考慮することが不可欠であることを示唆しており、提案された償却アプローチが、大規模な神経画像データセットに対するそのような分析を計算上実行可能にしている。

著者は謙虚に、これは不均一な幾何学辞書学習の最初の試みであり、今後の作業として、半球結合学習の探求、原子に対する固定幾何学の仮定の緩和、およびニアリアルタイム処理のための再構成係数の完全な償却を計画していると述べている。