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

Resumo Técnico: Aprendizado de Universum Guiado por Grafos em GEPSVMs de Autovalores Generalizados para Classificação de Doença de Alzheimer

Declaração do Problema
A detecção precoce e precisa da Doença de Alzheimer (DA) é crítica para a intervenção, contudo, o aprendizado a partir de dados de RM estrutural apresenta desafios devido à alta dimensionalidade, desbalanceamento de classes e amostras rotuladas limitadas. Embora as Máquinas de Vetor de Suporte Proximal de Autovalores Generalizados (GEPSVM) e suas variantes baseadas em Universum tenham mostrado potencial, os métodos existentes tratam as amostras de Universum (pontos de dados que não pertencem a nenhuma das duas classes alvo) como pontos independentes e com pesos iguais. Essa abordagem ignora as relações geométricas e a estrutura de variedade (manifold) inerentes aos dados de Universum. No contexto da classificação de DA, indivíduos com Comprometimento Cognitivo Leve (CCL) servem como amostras naturais de Universum, representando um estado intermediário entre o Cognitivamente Normal (CN) e a DA. No entanto, os modelos atuais falham em aproveitar a conectividade estrutural entre essas amostras de CCL para guiar a fronteira de decisão.

Metodologia
O artigo propõe dois modelos de aprendizado de Universum guiados por grafos, UG-GEPSVM e IUG-GEPSVM, que integram a estrutura geométrica das amostras de Universum na estrutura de aprendizado.

1. Construção do Grafo:

   • As amostras de Universum (indivíduos com CCL) são utilizadas para construir um grafo baseado em similaridade Gaussiana.
   • Uma Árvore Geradora Mínima (MST) é derivada para garantir a conectividade.
   • A propagação de múltiplos saltos (multi-hop) é aplicada para agregar informações estruturais através do grafo.
   • Uma matriz Laplaciana de grafo ($L$) é computada a partir desta estrutura para capturar as relações geométricas entre as amostras de CCL.

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

   • Este modelo modifica a formulação padrão da GEPSVM substituindo o termo de penalidade de Universum independente convencional por um termo de regularização de Laplaciana de grafo: $\|L^{1/2}(Uw + e_ub)\|^2$.
   • Este termo penaliza as diferenças nas projeções do hiperplano das amostras de Universum conectadas, impondo suavidade ao longo da variedade (manifold) de Universum.
   • O problema de otimização é formulado como um problema de autovalor generalizado: $Gz = \lambda(H + P_{graph})z$, onde $P_{graph} = [U \ e_u]^\top L [U \ e_u]$.

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

   • Este modelo estende a estrutura do IGEPSVM (GEPSVM Melhorado) numericamente estável.
   • Ele substitui a matriz de Universum padrão pela matriz regularizada por grafo $P_{graph}$ dentro de uma função objetivo baseada em diferença.
   • Esta formulação permite o controle independente sobre a discriminação de classe e o alinhamento de Universum via parâmetros de ponderação ($\gamma$ e $\psi$).
   • O problema reduz-se a um problema de autovalor padrão: $[(G + \delta I) - \gamma H - \psi P_{graph}]z = \lambda z$, oferecendo maior estabilidade numérica sobre a formulação generalizada.

Principais Contribuições

• Estrutura Inovadora: O artigo introduz os primeiros modelos de aprendizado de Universum guiados por grafos dentro da estrutura de autovalores proximais de SVM generalizados, abordando especificamente a limitação de tratar amostras de Universum como pontos independentes.
• Regularização Estrutural: Ao utilizar Laplacianas de grafos de múltiplos saltos baseados em MST, os modelos capturam a estrutura geométrica intermediária das amostras de CCL entre as classes CN e DA, resultando em fronteiras de decisão mais suaves.
• Formulações Duais: O trabalho fornece tanto uma formulação de autovalor generalizado (UG-GEPSVM) quanto uma formulação de autovalor padrão numericamente estável (IUG-GEPSVM), oferecendo flexibilidade de implementação e estabilidade.
• Robustez: Os métodos propostos são projetados para manter o desempenho sob vários níveis de ruído Gaussiano, aproveitando a estabilidade da estrutura de variedade.

Resultados Experimentais
Os modelos foram avaliados no conjunto de dados ADNI contendo 1.017 indivíduos (788 CN, 229 DA, 391 CCL). As características foram extraídas utilizando Análise de Componentes Independentes (ICA) e Análise de Componentes Principais (PCA). Os experimentos foram conduzidos em cinco níveis de ruído (0% a 20%) adicionados às características.

• Desempenho: O UG-GEPSVM alcançou a maior Área Sob a Curva (AUC) média de 88,07% em todas as dez variantes do conjunto de dados (ICA e PCA em cinco níveis de ruído), superando os baselines existentes, incluindo GEPSVM, IGEPSVM, UTSVM, UGEPSVM e IUGEPSVM.
• Robustez ao Ruído: O UG-GEPSVM demonstrou estabilidade superior. Enquanto métodos convencionais como o GEPSVM viram uma degradação significativa de desempenho (por exemplo, uma queda de 16,30% na AUC de 0% para 20% de ruído nos dados ICA), o UG-GEPSVM manteve valores de AUC entre 88,00% e 89,70% em todos os níveis de ruído.
• Significância Estatística: Testes de Friedman e post-hoc de Nemenyi confirmaram que as melhorias de desempenho dos modelos propostos sobre os métodos existentes são estatisticamente significativas.
• Sensibilidade de Hiperparâmetros: A análise de sensibilidade indicou que o UG-GEPSVM mantém um desempenho estável em uma ampla gama de valores de hiperparâmetros, sugerindo que não requer um ajuste extremamente preciso.

Significância e Alegações
O artigo alega que a principal significância deste trabalho reside em demonstrar que a incorporação da estrutura geométrica dos dados de Universum (via regularização de Laplaciana de grafo) fornece um sinal discriminativo que as penalidades de Universum independentes não conseguem capturar. Ao tratar os indivíduos com CCL não apenas como um conjunto de pontos intermediários, mas como uma variedade (manifold) conectada, os classificadores podem generalizar melhor e permanecer robustos contra o ruído. Os autores afirmam que sua abordagem efetivamente preenche a lacuna entre os dados rotulados de DA/CN e o estado intermediário de CCL, resultando em fronteiras de classificação mais confiáveis para a detecção da doença de Alzheimer. Sugere-se que trabalhos futuros explorem a construção de grafos adaptativos, formulações kernelizadas e integração multimodal (ex: imagem PET).