arXiv:2205.06398v2 stat.ME 공식 코드 · Papers with Code

다중 네트워크 데이터를 위한 이상치 탐지

Outlier Detection for Multi-Network Data

Pritam Dey, Zhengwu Zhang, David B. Dunson

제출 2026-09-24

한국어 초록

신경과학 연구에서는 신경영상을 활용하여 서로 다른 개인의 뇌 네트워크를 측정하는 것이 일상화되었습니다. 이러한 네트워크는 일반적으로 인접 행렬(adjacency matrix)로 표현되며, 각 셀에는 한 쌍의 뇌 영역 간 연결성 요약 정보가 포함됩니다. 네트워크 간 노드는 공유되지만 엣지는 서로 다른 이러한 다중 네트워크 데이터를 분석하기 위한 방법론을 다루는 통계학 문헌이 점차 등장하고 있습니다. 그러나 이상치 탐지(outlier detection)라는 중요한 문제에 대해서는 실질적인 고려가 거의 이루어지지 않았습니다. 특히 특정 피험자의 경우 신경영상 데이터의 품질이 너무 낮아 네트워크를 신뢰성 있게 재구성할 수 없습니다. 이러한 피험자의 경우 결과로 도출되는 인접 행렬이 대부분 0이거나 정상적으로 기능하는 뇌와 일치하지 않는 기이한 패턴을 보일 수 있습니다. 이러한 이상치 네트워크는 영향점(influential points)으로 작용하여 후속 통계 분석을 오염시킬 수 있습니다. 본 논문에서는 인접 행렬에 대한 위계적 일반화 선형 모델(hierarchical generalized linear model) 기반의 영향력 측도(influence measure)를 활용하는 간단한 네트워크 이상치 탐지(ODIN, Outlier DetectIon for Networks) 방법을 제안합니다. 효율적인 계산 알고리즘을 설명하고, 시뮬레이션과 UK Biobank 데이터 적용을 통해 ODIN을 실증합니다. ODIN은 중간 수준부터 극단적인 수준의 이상치를 식별하는 데 성공했습니다. 이러한 이상치를 제거하면 다운스트림 응용 분야의 추론(inference) 결과가 크게 달라질 수 있습니다.

원문 초록

It has become routine in neuroscience studies to measure brain networks for different individuals using neuroimaging. These networks are typically expressed as adjacency matrices, with each cell containing a summary of connectivity between a pair of brain regions. There is an emerging statistical literature describing methods for the analysis of such multi-network data in which nodes are common across networks but the edges vary. However, there has been essentially no consideration of the important problem of outlier detection. In particular, for certain subjects, the neuroimaging data are so poor quality that the network cannot be reliably reconstructed. For such subjects, the resulting adjacency matrix may be mostly zero or exhibit a bizarre pattern not consistent with a functioning brain. These outlying networks may serve as influential points, contaminating subsequent statistical analyses. We propose a simple Outlier DetectIon for Networks (ODIN) method relying on an influence measure under a hierarchical generalized linear model for the adjacency matrices. An efficient computational algorithm is described, and ODIN is illustrated through simulations and an application to data from the UK Biobank. ODIN was successful in identifying moderate to extreme outliers. Removing such outliers can significantly change inferences in downstream applications.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2205.06398v2제출 시각 미확인

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2610.13780v1cs.CV공통 태그 Anomaly Detection, Medical Image Analysis

형광 현미경 이미지에서 극히 희귀한 사멸 세포의 검출

Detection of extremely rare dead cells in fluorescence microscopy images

형광 현미경 관찰에서 사멸 세포 검출은 표현형 스크리닝과 약물 효능 평가에 필수적입니다. 그러나 신호 가변성, 광학 인공물(optical artifact), 여러 채널 간 공국재화(colocalization) 모호성으로 인해 자동 식별은 여전히 어렵습니다. 세포핵 경계를 정의하는 마커는 세포사멸(apoptotic) 마커와 공간적 또는 시간적으로 깔끔하게 일치하지 않습니다. 더욱이 마커 축적 동역학은 개별 세포 및 세포사멸 단계마다 다르므로 범용 임계값을 신뢰하기 어렵습니다. 본 논문에서는 핵 염색 검체에서 세포사멸 세포를 검출하기 위한 여러 전산적 접근 방식에 대한 체계적인 비교를 제시합니다: (1) 강도 임계값, 분포, 상관관계 및 도메인 지침을 사용하는 휴리스틱 방법; (2) 수치적 특징(로지스틱 회귀, 랜덤 포레스트, XGBoost 및 LightGBM)과 이미지 특징(ResNet-18 및 EfficientNet-B0)을 사용하는 분류; (3) 마찬가지로 수치적 특징(격리 포레스트, 원클래스 SVM 및 PCA 재구성)과 이미지 특징(합성곱 오토인코더 및 Deep SVDD)을 사용하는 이상 탐지. 수작업으로 주석이 달린 243개의 실측값(ground truth) 사멸 세포를 포함하여 여러 장면에 걸쳐 65,527개의 세포/핵이 포함된 258개 이미지 데이터셋을 사용하여, PR-AUC, 정밀도, 재현율, F1-score 및 macro-F1과 같은 지표로 각 방법을 평가합니다. 연구 결과에 따르면 이미지 특징을 사용하는 분류(심층 학습)와 수치적 특징을 사용하는 분류(전통적 방식)가 가장 우수한 성능을 달성했으며, ResNet-18과 XGBoost가 수작업으로 설계된 휴리스틱 및 이상 탐지 방법보다 크게 우수한 성과를 보였습니다. 이러한 연구 결과는 최첨단 전산 및 학습 기법으로도 이러한 생의학 문제를 해결하는 것이 여전히 매우 까다롭다는 점을 보여줍니다. 우리는 도메인 과학자를 돕는 보조 도구로서 완전 자동 방식이나 인간 참여형(human-in-the-loop) 설정 모두에서 연구자들에게 효과적인 의사결정 지원 도구를 제공하는 것을 목표로 합니다.

arXiv:2610.03224v1cs.CV공통 태그 Anomaly Detection, Medical Image Analysis

확산 기반 의료 영상 합성에서 의미론적 정확성의 대리 지표로서의 불확실성

Uncertainty as a Proxy for Semantic Correctness in Diffusion-Based Medical Image Synthesis

확산 모델(Diffusion model)은 조영 증강 CT(CECT)를 비조영 CT(NCCT)로부터 합성할 수 있어 조영제 투여와 그에 따른 환경적 비용 및 환자 접근성 비용을 줄일 수 있다. 그러나 시각적으로 사실적인 이미지가 반드시 해부학적으로 정확한 것은 아니며, 생성 품질을 평가하는 데 사용되는 픽셀 강도 및 특징 공간 유사도 지표는 해부학적 정확성을 직접 측정하지 못한다. 본 연구에서는 확산 기반 의료 영상 합성에서 불확실성(uncertainty)이 의미론적 정확성(semantic correctness)의 대리 지표로 기능할 수 있는지 조사한다. 우리는 CECT 영상과 내강 분할(lumen segmentation)을 공동으로 생성하는 멀티태스크 확산 프레임워크인 AortaDiff를 활용하여 NCCT-to-CECT 합성을 연구한다. 분할 출력은 생성된 혈관 해부학에 대한 명시적 표현을 제공하여 분할 기반 오차를 생성 정확성의 정량적 척도로 사용할 수 있게 한다. 가중치(Ensemble, HyperDiff, BayesDiff), 아키텍처 섭동(MCDropout), 생성 확률성(RDS), 입력 섭동(TTA) 불확실성을 아우르는 6가지 방법을 픽셀, 영역, 이미지 수준에서 비교하고, 임상적으로 유의미한 분포 외(OOD) 케이스 탐지에 대해 평가한다. 불확실성은 세 가지 공간적 척도 모두에서 유의미한 정보를 제공하며, 분포 이동(distribution shift)이 존재하는 외부 다기관 데이터셋에서도 유효성을 유지하고 OOD 탐지를 지원함을 확인했다. 특히 6가지 방법 중 MCDropout이 두드러졌다. 모든 척도에서 선도적인 방법 중 하나로 평가받았으며, 외부 데이터셋에서도 우수한 일반화 성능을 보였고, 이미 드롭아웃으로 학습된 모든 모델에서 추론 시 바로 활성화할 수 있어 추가적인 학습 비용 없이 신뢰할 수 있는 불확실성을 제공한다. 불확실성은 심각한 실패 사례를 신뢰성 있게 감지하지만, 이미 고품질인 이미지들 사이에서는 구별력이 떨어진다. 이러한 발견은 불확실성이 NCCT-to-CECT 합성에서 품질 필터링, 신뢰성 평가 및 OOD 탐지를 위한 실용적이고 계산 효율적인 신호로 활용될 수 있음을 뒷받침한다.

arXiv:2609.26867v1stat.ME공통 태그 Medical Image Analysis, Graph Learning

공간 및 네트워크 객체를 활용한 덧셈 비모수적 회귀

Additive Nonparametric Regression with Spatial and Network Objects

본 논문은 구조적 MRI(s-MRI)의 대뇌 피질 지표와 휴지기 fMRI(rs-fMRI)의 뇌 연결성 데이터를 활용하여 과제 기반 fMRI(t-fMRI)로부터 과제 수행 기반 뇌 활성화 맵을 예측하는 청소년 뇌 인지 발달(ABCD) 연구의 영상 애플리케이션에서 동기를 얻었습니다. 계층적 베이지안 모델링은 다양한 영상 데이터를 통합하고 예측 불확실성을 정량화하는 데 매우 적합합니다. 그러나 다양한 영상 양식(modality) 간의 구조와 상호 연결성을 포착하는 결합 사전분포(joint prior) 설계의 난점과 더불어, 계산 복잡성 및 이론적 보장의 부재로 인해 이 분야의 발전은 제한적이었습니다. 이러한 과제를 해결하기 위해, 본 논문은 t-fMRI와 s-MRI 영상을 함수형 데이터(functional data)로 다루며, 함수형 반응변수에 대한 네트워크 및 함수형 예측변수의 덧셈 비선형 효과를 통합하는 새로운 회귀 프레임워크를 소개합니다. 구체적으로, 반응변수와의 복잡한 함수적 의존성을 포착하기 위해 함수형 예측변수와 관련된 계수에 가우시안 과정(GP) 사전분포를 적용합니다. 나아가, 반응 함수에 대한 네트워크 예측변수의 비선형적 노드 효과를 요약하기 위해 GP 사전분포를 할당합니다. 이 방법은 함수형 반응변수에 대한 예측 정확도의 이론적 결과로 뒷받침되며, 시뮬레이션 연구와 ABCD 연구의 다중 모달 신경영상 데이터 분석을 통해 실증적으로 검증됩니다.

arXiv:2609.26990v1cs.CR공통 태그 Anomaly Detection, Graph Learning

네트워크 트래픽 Natural Visibility Graph 표현에서 사이버 공격 클래스의 위상학적 시그니처

Topological Signatures of Cyber-Attack Classes in Natural Visibility Graph Representations of Network Traffic

Natural Visibility Graph(NVG) 기반 표현은 순차적 네트워크 트래픽에서 구조적 패턴을 포착하는 유망한 접근법을 제공한다. 그러나 서로 다른 사이버 공격 클래스가 이러한 표현에서 구별되는 위상학적 시그니처를 보이는지는 여전히 충분히 밝혀지지 않았다. 본 연구는 CSE-CIC-IDS2018 데이터셋을 사용하여 NVG 기반 네트워크 트래픽 표현의 판별력과 구조적 특성을 조사한다. 76개의 수치형 트래픽 특징을 40관측치의 겹치는 프레임 안에서 각각 NVG로 변환하였고, 각 그래프에서 10개의 그래프 이론적 지표를 추출하여 프레임당 760개의 위상학적 기술자(descriptor)를 얻었다. 이러한 표현의 판별력은 계층화 5-fold 교차검증(stratified five-fold cross-validation)을 적용한 다중 분기 합성곱 신경망(CNN)으로 평가하였다. 모델은 평균 정확도 96.20%와 Matthews 상관계수(MCC) 0.9566을 달성하였다. 클래스별 위상학적 차이를 특성화하기 위해 Kruskal-Wallis 및 Mann-Whitney U 검정을 Benjamini-Hochberg false discovery rate(FDR) 보정과 효과 크기 측정과 결합하였다. 공격 대 정상(benign) 비교 10,640건 중 7,777건(73.1%)이 FDR 보정 후에도 통계적으로 유의하였으며, 4,844건에서 Cliff's delta 효과가 크게 나타났다. 가장 강한 전역적 차이는 주로 역방향 트래픽 및 패킷 길이 관련 특징과 연결성, 클러스터링, 중심성 지표의 결합과 관련되었다. 이러한 결과는 NVG 기반 표현이 강한 판별력을 제공할 수 있으며, 서로 다른 사이버 공격 클래스와 연관된 클래스 의존적 위상학적 패턴을 드러낼 수 있음을 시사한다.

arXiv:2607.24703v1cs.CV공통 태그 Anomaly Detection, Medical Image Analysis

Panda: 실시간 MR 영상을 위한 비지도 골반 이상 탐지

Panda: Unsupervised Pelvic Anomaly Detection for Real-Time MR Imaging

여성 골반 질환은 연구가 부족한 분야로, 진단이 종종 지연되는 특징을 보인다. 골반 MRI는 진단 및 영상 유도 시술에 우수한 연조직 대비를 제공하지만, 생리적 움직임, 조직 변형, 기구 아티팩트로 인해 실시간 이상 탐지는 여전히 어렵다. 기존 지도 학습 접근법은 이상 사건이 드물고 이질적이며 주석을 달기 어려워 실용적이지 않다. 우리는 골반 MRI에 맞게 조정한 Dinomaly 기반 비지도 이상 탐지 프레임워크를 제안한다. 이 프레임워크는 건강한 사례로부터 정상 표현을 학습하고 레이블 없이 편차를 표시한다. 우리 접근법은 동결된 DINOv3 Vision 트랜스포머 인코더와 노이즈 MLP 병목, Linear Attention 디코더를 결합하여 동일성 매핑(identity mapping)을 방지하면서 계산 효율성을 유지한다. 이상은 인코더와 디코더 표현 간 토큰별 코사인 거리를 통해 국소화되며, 공간적 이상 맵을 생성하여 방사선과의 의사결정 및 적응형 프로토콜 조정을 지원하기 위해 스캐너에서 즉각적인 피드백을 제공한다. 자궁 근종 데이터셋(Uterine Myoma Dataset)의 선별된 하위집합에서 평가한 결과, 프레임워크는 픽셀 수준 AUROC 88.06%와 프레임 수준 95.45%의 높은 특이도(specificity)를 초당 40.5 슬라이스 속도로 달성하여 실시간 임상 배포 요구사항을 충족한다. 공간적 이상 맵과 프레임 수준 점수는 활성 시술 중 방사선과의 의사결정 및 적응형 프로토콜 조정을 지원하기 위해 스캐너에서 즉각적이고 국소화된 피드백을 제공한다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.