[論文レビュー] Associating High-Dimensional Longitudinal Datasets through an Efficient Cross-Covariance Decomposition

Jianbin Tan, Pixu Shi|arXiv (Cornell University)|Jan 19, 2026

Single-cell and spatial transcriptomics被引用数 0

ひとこと要約

FACDはデータ適応基底とSVDを用いて時変クロス共分散を学習する高次元長期データのフレームワークで、特徴選択のためのスパース性と理論的保証を備える。シミュレーションで関連手法を上回り、長期的な研究で動的なクロスオミクス関連を明らかにする。

ABSTRACT

Understanding associations between paired high-dimensional longitudinal datasets is a fundamental yet challenging problem that arises across scientific domains, including longitudinal multi-omic studies. The difficulty stems from the complex, time-varying cross-covariance structure coupled with high dimensionality, which complicates both model formulation and statistical estimation. To address these challenges, we propose a new framework, termed Functional-Aggregated Cross-covariance Decomposition (FACD), tailored for canonical cross-covariance analysis between paired high-dimensional longitudinal datasets through a statistically efficient and theoretically grounded procedure. Unlike existing methods that are often limited to low-dimensional data or rely on explicit parametric modeling of temporal dynamics, FACD adaptively learns temporal structure by aggregating signals across features and naturally accommodates variable selection to identify the most relevant features associated across datasets. We establish statistical guarantees for FACD and demonstrate its advantages over existing approaches through extensive simulation studies. Finally, we apply FACD to a longitudinal multi-omic human study, revealing blood molecules with time-varying associations across omic layers during acute exercise.

研究の動機と目的

• pairedな高次元長期データセット間の動的な関連を理解する必要性を動機づける。
• Adaptive basis expansion により時変クロス共分散を学習する統計的に効率的なフレームワークとしてFACDを導入する。
• Twoデータセット間のキー機能を特定するためのスパース性を組み込む。
• FACDの理論的保証を提供し、シミュレーションで性能を検証する。
• 長期的なマルチオミクス研究で手法を適用し、時変クロスオミクス関連を解明する。

提案手法

• 高次元の機能データにおける正準クロス共分散解析を、クロス共分散演算子のスペクトル分解として定式化する。
• 事前に規定された基底ではなく、データ適応基底を用いた機能基底展開でクロス共分散を表現する。
• R_XY から導出されたカーネル H_X および H_Y から抽出されたデータ適応基底を構築し、高次元の演算子分解ではなく実用的な行列SVDを可能にする。
• 有限の基底関数集合でR_XYを近似する切り捨てアプローチを適用し、得られたGamma行列に対して行列SVDを解く。
• 非零の特徴荷重を選択しつつ荷重を単位ノルムに制約するため、グループLasso様のペナルティによる最適化でスパース性を導入する。
• 不規則・まれな時間観測には、平均関数と共分散核のスプライン推定と平滑化ペナルティ、およびチューニングにはGCVを用いて対処する。

実験結果

リサーチクエスチョン

• RQ1 restrictiveな時間的モデルに依存せず、2つの高次元長期データセット間の正準クロス共分散成分を堅牢に推定するにはどうすれば良いか。
• RQ2 データ適応基底と処理可能なSVD分解は、高次元で時変のデータ間の関連を正確に回復できるか。
• RQ3 スパース性を組み込むことは、共通の特徴の解釈性と同定を改善するか。
• RQ4 FACDの存在性、安定性、近似誤差の観点でどのような理論的保証を確立できるか。
• RQ5 シミュレーションおよび実データの長期的なマルチオミクスデータにおいて、FACDは既存手法と比べてどのように性能するか。

主な発見

• FACDは無限次元の演算子分解を有限のSVD問題へと理論的に還元する枠組みを提供する。
• 高次元の長期データ間のクロス共分散は、H_XとH_Yから抽出されたデータ適応基底を用いて表現できる。
• 切り捨てベースの近似とSVDの組み合わせにより、計算可能な正準荷重とスコアを得られる。
• スパース性制約により、データセット間の関連を駆動する特徴の小さなサブセットを特定できる。
• シミュレーション研究は、関連手法に対して正準成分の回復で優位性を示す。
• 長期的なマルチオミクス研究への適用では、FACDは急性運動中のオミクス層間の時変関連を明らかにした。