[論文レビュー] Bayesian Graphical Models for Multivariate Functional Data

Hongxiao Zhu, Nate Strawn+1 more|arXiv (Cornell University)|Nov 15, 2014

Bayesian Modeling and Causal Inference参考文献 39被引用数 23

ひとこと要約

本稿は、直交基底展開を用いたガウス過程グラフィカルモデルに基づく、多次元関数データのためのベイジアングラフィカルモデルフレームワークを提案する。共分散核のためのハイパーアイヌス・ウィシャルト過程事前分布を導入し、存在性・一意性・共役性といった理論的性質を確立し、ステochastic search MCMCを用いた後部確率推論を可能にした。実データとして脳活動およびアルコール依存症のデータを用いた性能評価も行われた。

ABSTRACT

Graphical models express conditional independence relationships among variables. Although methods for vector-valued data are well established, functional data graphical models remain underdeveloped. We introduce a notion of conditional independence between random functions, and construct a framework for Bayesian inference of undirected, decomposable graphs in the multivariate functional data context. This framework is based on extending Markov distributions and hyper Markov laws from random variables to random processes, providing a principled alternative to naive application of multivariate methods to discretized functional data. Markov properties facilitate the composition of likelihoods and priors according to the decomposition of a graph. Our focus is on Gaussian process graphical models using orthogonal basis expansions. We propose a hyper-inverse-Wishart-process prior for the covariance kernels of the infinite coefficient sequences of the basis expansion, establish existence, uniqueness, strong hyper Markov property, and conjugacy. Stochastic search Markov chain Monte Carlo algorithms are developed for posterior inference, assessed through simulations, and applied to a study of brain activity and alcoholism.

研究の動機と目的

• 関数（ベクトルではなく）としてのデータである多次元関数データの文脈において、整合的なベイジアンフレームワークを構築すること。
• 有限次元の確率的ベクトルから無限次元の確率的過程へと、マークフ・ランダムフィールドおよびハイパーマルコフ法則を拡張し、測度論的厳密性を保証すること。
• 直交基底展開における関数係数列の共分散核のための事前分布を構築すること—具体的には、ハイパーアイヌス・ウィシャルト過程（HIWP）を用いること。
• 分解可能グラフに埋め込まれた条件付き独立構造を尊重するステochastic search MCMCアルゴリズムにより、後部確率推論を可能にすること。
• 実神経画像データを用いた応用を通じて、単純な離散化手法に比べてアルコール依存症研究における脳活動ネットワークのモデリング性能が向上することを示すこと。

提案手法

• 関数データを直交基底展開により表現し、関数空間を $\ell^2(\mathbb{N})$ 内の係数列空間へ等長同型写像する。
• 無向かつ分解可能なグラフ構造上のマークフの性質により、確率的関数間の条件付き独立性を定義する。
• 係数列の共分散核のためのハイパーアイヌス・ウィシャルト過程（HIWP）事前分布を導入し、強いハイパーマルコフ性と共役性を保証する。
• 理論的性質の確立：事前分布下での作用素の存在性・一意性・トレースクラス性（ほとんど確実に有限）を示す。
• 強ハイパーマルコフ性を活用し、各クリークにおける周辺後部分布を用いて、一貫性のあるグローバル後部分布の構成を可能にする。
• 分解可能なグラフの空間を探索し、精度行列とグラフ構造を同時に更新するステochastic search MCMCアルゴリズムを構築する。

実験結果

リサーチクエスチョン

• RQ1 確率的関数間の条件付き独立構造を、ベイジアンフレームワーク内で形式的に定義し、モデル化することは可能か？
• RQ2 関数係数列の共分散作用素の空間に、理論的根拠に基づいた有効な事前分布を構築するにはどうすればよいか？
• RQ3 無限次元関数的設定において、ハイパーアイヌス・ウィシャルト過程事前分布を、強いハイパーマルコフ性と共役性を保つように構築できるか？
• RQ4 未知のグラフ構造を有する高次元関数的グラフィカルモデルにおいて、効率的な後部確率推論をどのように行えるか？
• RQ5 本手法は、関数データを単純に離散化した多変量アプローチに比べ、理論的整合性および実験的性能において優れていると評価できるか？

主な発見

• ハイパーアイヌス・ウィシャルト過程事前分布は、存在性・一意性・強いハイパーマルコフ性を満たすことが示され、関数的設定における正当なベイズ更新が可能である。
• 事前分布により導かれる作用素は、ほとんど確実にトレースクラスかつ半正定値であることが保証され、$\ell^2(\mathbb{N})$ 内で適切に定義される。
• 後部分布は、クリーク単位の周辺後部分布によって一意に定まり、モジュール式計算と理論的整合性を実現する。
• ステochastic search MCMCアルゴリズムは、シミュレーションスタディを通じて正しく実装・検証され、真のグラフ構造の正確な回復を示した。
• 本手法は、脳活動およびアルコール依存症データセットに適用され、従来の多変量手法では捉えきれない生物学的に妥当な条件付き独立パターンを明らかにした。
• 単純な離散化や特徴抽出の落とし穴を回避し、関数データ解析において理論的限界挙動を有し、解釈可能性が向上した。