[論文レビュー] Bayesian time-aligned factor analysis of paired multivariate time series

Arkaprava Roy, Jana Schaich Borg+1 more|PubMed|Apr 27, 2019

Sensory Analysis and Statistical Methods参考文献 33被引用数 4

ひとこと要約

本稿では、時間ずれが未知のペアドマルチバリアエート時間系列において、共有成分と個別成分を同時に推定するベイジアン動的要因モデル、TACIFAを提案する。時間ずれは柔軟なずれ関数を用いて扱う。この手法により、時間同期の不確実性を定量化でき、シミュレーションおよび社会的同期実験において優れた性能を示し、高精度で片方がもう片方の時間に従っていることを正しく特定した。

ABSTRACT

Many modern data sets require inference methods that can estimate the shared and individual-specific components of variability in collections of matrices that change over time. Promising methods have been developed to analyze these types of data in static cases, but only a few approaches are available for dynamic settings. To address this gap, we consider novel models and inference methods for pairs of matrices in which the columns correspond to multivariate observations at different time points. In order to characterize common and individual features, we propose a Bayesian dynamic factor modeling framework called Time Aligned Common and Individual Factor Analysis (TACIFA) that includes uncertainty in time alignment through an unknown warping function. We provide theoretical support for the proposed model, showing identifiability and posterior concentration. The structure enables efficient computation through a Hamiltonian Monte Carlo (HMC) algorithm. We show excellent performance in simulations, and illustrate the method through application to a social mimicry experiment.

研究の動機と目的

• 時間遅れが変化するペアドマルチバリアエート時間系列における共有変動と個別変動を同時にモデル化する手法の不足に対処すること。
• 非パrametricなずれ関数を用いて時間同期の不確実性を組み込む完全なベイジアンフレームワークの開発。
• ハミルトニアン・モンテカルロ（HMC）を用いた効率的な事後分布計算を可能にするとともに、モデルの同定可能性と事後分布の集中性を保証すること。
• 実世界のデータ、特に相互作用する個々の時間的ずれが一般的な社会的同期研究にこの手法を適用すること。

提案手法

• TACIFAは、共有要因、個別要因、誤差の組み合わせとしてペアド行列をモデル化し、共有成分同士をずれ関数によって時間点を同期させる。
• ずれ関数はBスプラインを用いた非パrametricにモデル化され、単調性と滑らかさを保証する事前分布が設定され、柔軟な時間同期を可能にする。
• 因子負荷に共役事前分布を設定し、MCMCの混合を改善する非センター化パrameterizationを用いた階層ベイジアンモデルを指定する。
• 事後推論はハミルトニアン・モンテカルロ（HMC）を用いて実行され、事後分布の結合分布を効率的に探索できる。
• 共有要因と個別要因の負荷行列の直交性を強制することで、成分の同定可能性を確保する。
• ずれ関数の事後予測検証と信頼区間を用いた不確実性定量化を可能にする。

実験結果

リサーチクエスチョン

• RQ1 未知の時間同期を伴うペアドマルチバリアエート時間系列において、ベイジアン動的要因モデルは、共有成分と個別成分を効果的に分離できるか？
• RQ2 時間ずれの不確実性は、要因分析フレームワークにどのように適切に定量化・統合できるか？
• RQ3 予測精度とカバレッジの観点から、二段階の同期と推論アプローチに比べ、提案手法は優れているか？
• RQ4 社会的同期実験において、相互作用する個々の間の真の時間遅れは、どの程度正確にモデルが回復できるか？
• RQ5 関連する特徴の数が、ペアド時間系列間の類似度にどのように影響するか？

主な発見

• 人間の模倣データセットにおける推定ずれ関数は、一貫して恒等関数の下に位置し、実験全体を通して片方がもう片方の時間に従っていたことを示しており、時間遅れを正しく捉えている。
• TACIFAは、2人の被験者に対して、それぞれMSEが4.25および2.21と推定され、二段階アプローチの約9に対して低かった。
• 95%の頻度的カバレッジが、95%事後予測信頼区間内に達しており、不確実性の定量化が適切にキャリブレーションされていることを示している。
• 共有要因空間には13の重要な成分が含まれており、顔の対称性や同期的な頭部運動の観点から予想されるものと整合的であった。
• ヘッドムーブメントに関連する特徴を追加するにつれて、類似度測定（Syn）は0.80から0.85に上昇し、関連する特徴が類似度を高めることを確認した。
• 協調的な模倣タスクでは予想通り、個別要因の変動は最小限に抑えられ、個別要因負荷への重要度が低かった。