Identity Verification from Human Scent using Learned Representations of Two-Dimensional Gas Chromatography–Mass Spectrometry Data

技術要約：学習された表現を用いた2次元GC–MSデータからの個体識別

問題提起
本論文は、身体臭を用いた人間の個体識別の実現可能性について取り組んでいる。身体臭は、直接的な視線や能動的な被験者の協力を必要としない、受動的に機能するバイオメトリック特性である。顔や虹彩といった確立されたバイオメトリクスとは異なり、従来の香りの識別は、小規模なデータセット、専門家による化合物同定への依存、および再現性の欠如によって制限されてきた。著者らは、現代の表現学習（representation learning）を用いることで、手動による化学的特徴抽出を行うことなく、2次元ガスクロマトグラフィー–飛行時間型質量分析（GC×GC–ToF-MS）からの生の、高次元な出力から個体識別を行うことが可能かどうかを明らかにすることを目的としている。特に、取得セッション（日付や環境）が登録データと照合データの間で異なる場合に発生する「セッション汎化」問題、すなわち、装置のドリフトや周囲の要因を考慮した課題に対処している。

手法
著者らは、生のGC×GC–ToF-MS測定値を、孤立したピーク同定に頼るのではなく、マルチチャネル画像として扱うフレームワークを提案している。

1. データ表現:

   • チャネル表現: 各空間座標 $(t_1, t_2)$ における生の質量スペクトルを、学習可能なガウスカーネルのバンクを用いてマルチチャネル画像へと圧縮する。これにより、可変長の質量スペクトルを固定サイズのチャネル表現へと変換する。
   • マルチビュー表現: 同一の測定値から相補的な情報を保持するために、3つの異なるビューを作成する新しいアプローチを採用している。
     • $X_{ms}$: 質量スペクトルスキャンシーケンス（グループ化されたスキャン）。
     • $X_{rt}$: 第1次元保持フィールド。
     • $X_{cube}$: 結合された2次元保持フィールド。
       これらのビューは、個別の畳み込みブランチによって処理され、単一の埋め込み（embedding）へと融合される。

2. 特徴抽出とアライメント:

   • 本研究では、手作業による記述子（HOG, LBP, SIFT）、化合物中心の化学的ベースライン、および各種畳み込みニューラルネットワーク（CNN）（ResNet, VGG, Inception, GoogLeNet、およびカスタム軽量CNN）を含む10種類の特徴埋め込み手法を評価している。
   • 空間アライメント: 著者らは、「標準フレーム登録（基準となる保持時間に化合物を合わせる手法）」と「未整列（rawデータを直接処理する手法）」を含む5つの戦略を比較した。驚くべきことに、最も優れた結果は、空間アライメントを行わない場合において得られた。

3. 学習目的関数:

   • Triplet Loss: カンファレンス版で使用されたベースラインの距離学習アプローチ。
   • Cosine-Softmax: 検証を、学習可能なプロトタイプを持つ分類問題として扱うオープンセット分類目的関数であり、温度パラメータ（$\kappa$）を用いてコサイン類似度をスケーリングする。
   • ペアワイズ二値分類: 距離指標の固定性に依存せずに表現の有効性を比較するための、直接的なペアの類似性（真正 vs 偽造）の二値分類。

4. データセット:

   • Human Scent Dataset (HSD) は、252のユニークなアイデンティティ（男性129名、女性123名）からなる2,528の生サンプルで構成されている。
   • データは2種類の装置を使用して収集された：高解像度（HR）のPegasus® BT 4D、および低解像度（LR）のPegasus® 4D-C。
   • 総データサイズは約7.5 TBである。

主な貢献

1. 新しいパラダイム: 生のGC×GC–ToF-MS出力をマルチチャネル画像として扱うことを提案し、専門家による化合物同定の必要性を排除した。
2. 大規模オープンデータセット: 人間の香りのバイオメトリクスにおいて最大規模かつ公開されているデータセットであるHSD（252アイデンティティ、約7.5 TB）を導入し、この分野におけるデータの希少性に対処した。
3. 体系的な評価: 10の特徴埋め込み手法と5つの空間アライメント戦略を体系的に評価した。
4. セッション汎化の分析: 登録セッションと照合セッションが異なる場合（in-session vs out-of-session）の性能低下を定量化し、セッションの変動性が及ぼす影響を厳密に分析した。
5. 改良されたアーキテクチャ: マルチビュー表現をcosine-softmax目的関数で訓練することで、ベースラインのチャネル表現を大幅に上回る結果が得られることを示した。

結果

• ベースライン性能: 最良のチャネルベースの手法（カスタムCNN、5チャネル、登録なし）は、フルデータセットに対して 89.5% AUROC および 53.3% TPR@5%FPR を達成した。特筆すべきは、空間アライメントを行わない方が性能が高かった点であり、これは学習された埋め込みが保持時間のドリフトに対して耐性を持ち得ることを示唆している。
• セッション汎化:
  • 検証は、訓練に含まれていないセッション（out-of-session）に対しても実現可能である。
  • しかし、「親近感の差（cross-familiarity）」によるペナルティが存在する。登録と照合のセッションの親近感のレジームが異なる場合（例：in-session vs out-of-session）、フルデータセットにおけるAUROCは約 9ポイント 低下する（85.5% から 76.3% へ）。
  • 「out-of-session vs out-of-session」のレジームでは高いAUROC（90.6%）を示したが、著者らはこれは、多くのペアが「同じ未知のセッション」を共有していることに起因する部分があるとも指摘している。
• 改良されたフレームワーク:
  • マルチビュー表現とcosine-softmax目的関数を組み合わせた手法が最良の結果を得た：92.8% AUROC および 62.2% TPR@5%FPR。
  • アブレーション研究により、マルチビュー表現はすべての目的関数においてグローバルなランキング（AUROC）を一貫して向上させる一方で、厳格な低偽陽性レジーム（TPR@5%FPR）における大幅な改善は、cosine-softmax目的関数に特有のものであることが示された。
  • ペアワイズ二値分類により、マルチビュー表現は訓練目的関数に関わらずグローバルなランキングを向上させるが、厳格な動作点における性能は目的関数に依存することが確認された。

意義と主張
本論文は、現代的なディープラーニング技術を用いた、生の臭気による個体識別の実現可能性を実証していると主張している。著者らは、性能（62.2% TPR@5%FPR）が現在、虹彩や顔認識のような確立されたバイオメトリクスには及ばないことを明示しているが、その結果は、視覚的または物理的な接触が制限されるシナリオにおいて、香りのシグネチャが個体識別を行うための十分な識別情報を含んでいることを証明している。

本研究は以下の点を強調している：

1. 生データの十分性: 専門的な化学的解釈は必ずしも必要ではなく、学習された表現はクロマトグラムから直接、アイデンティティの信号を抽出できる。
2. セッションの変動性: 取得セッションの変動はエラーの主要な要因であり、今後の研究では、これ（セッション・ドリフト）に対する堅牢性（例：セッション不変な訓練）に対処する必要がある。
3. 表現 vs 目的関数: 入力表現（マルチビュー）と訓練目的関数の両方が極めて重要である。マルチビューアプローチは相補的な手がかりを捉え、cosine-softmax目的関数は厳格な動作点におけるタイトなクラスタリングを保証する。

著者らは、香りのシグネチャは現代的な特徴埋め込み技術によって処理されることでバイオメトリック特性として機能し得るが、特にセッション・ドリフトへの対応や、従来のバイオメトリクスと同等の性能達成に向けて、改善の余地が多分に残されていることを強調して結論づけている。