[論文レビュー] Combined Analysis of Amplitude and Phase Variations in Functional Data

Sungwon Lee, Sungkyu Jung|arXiv (Cornell University)|Mar 6, 2016

Time Series Analysis and Forecasting参考文献 15被引用数 10

ひとこと要約

本稿では、非線形時刻ずらし関数とアラインメント済み関数をデータ適応的重み付け方式で統合することで、関数データにおけるアモルティュード変動とフェーズ変動を同時にモデル化する新規手法、機能的結合主成分分析（FCPCA）を提案する。この手法は、アモルティュードとフェーズの関連を含む解釈可能な非線形変動モードを捉え、実際の成長曲線データにおいて、標準的FPCAおよびアラインメント済みFPCAを上回る性能を示し、遅れた思春期の急成長期と成長速度の低下の間の主要な関係を明確にしている。

ABSTRACT

When functional data manifest amplitude and phase variations, a commonly-employed framework for analyzing them is to take away the phase variation through a function alignment and then to apply standard tools to the aligned functions. A downside of this approach is that the important variations contained in the phases are completely ignored. To combine both of amplitude and phase variations, we propose a variant of principal component analysis (PCA) that captures non-linear components representing the amplitude, phase and their associations simultaneously. The proposed method, which we call functional combined PCA, is aimed to provide more efficient dimension reduction with interpretable components, in particular when the amplitudes and phases are clearly associated. We model principal components by non-linearly combining time-warping functions and aligned functions. A data-adaptive weighting procedure helps our dimension reduction to attain a maximal explaining power of observed functions. We also discuss an application of functional canonical correlation analysis in investigation of the correlation structure between the two variations. We show that for two sets of real data the proposed method provides interpretable major non-linear components, which are not typically found in the usual functional PCA.

研究の動機と目的

• 標準的関数的主成分分析（FPCA）および曲線登録の限界、特にフェーズ変動の情報を無視する点を是正すること。
• アモルティュードとフェーズ変動およびそれらの関連性を同時にモデル化する統一的フレームワークを構築すること。
• アモルティュードとフェーズが相関する状況における、関数的データ解析の次元削減の効率性と解釈可能性を向上させること。
• 非線形成分を元の関数空間で可視化・解釈可能にするための手法を提供すること。
• 関数的線形相関分析（CCA）を拡張し、アモルティュード関数とフェーズ関数の間の相関構造を共同でモデル化すること。

提案手法

• 関数的データをアモルティュード関数 $ y_i $ と時刻ずらし関数 $ \gamma_i $ の合成としてモデル化し、$ f_i = y_i \circ \gamma_i $ と表す。
• 方向を保つ微分同相写像群 $ \Gamma $ を関数空間の凸部分集合へ写像する双射 $ \phi $ を用い、変換されたずらし関数 $ x_i = \phi(\gamma_i) $ に対して線形演算を可能にする。
• 変換空間における結合確率ベクトル $ (y_i, x_i) $ に対して関数的PCAを実施し、カルフネン＝ローブ展開を用いて直交成分を抽出する。
• アラインメント済み関数 $ \hat{y}_i $ と歪み成分 $ \phi(\hat{\gamma}_i) $ にデータ適応的重み付けを適用し、元の関数空間における説明変動を最大化する。
• 得られた主成分を元の関数空間へ再写像し、解釈可能な可視化と解釈を可能にする。
• 関数的結合CCAにフレームワークを拡張し、アモルティュード関数とフェーズ関数間の最大相関成分を検出する。

実験結果

リサーチクエスチョン

• RQ1 統一的PCAフレームワークは、関数的データにおけるアモルティュードとフェーズ変動およびそれらの関連性を効果的に捉えることができるか？
• RQ2 提案手法FCPCAは、標準的FPCAおよびアラインメント済みデータ上のFPCAと比較して、変動の説明力と解釈可能性において優れているか？
• RQ3 実際の関数的データ（例：成長曲線）において、アモルティュードとフェーズを含む非線形で解釈可能な変動モードを回復できるか？
• RQ4 データ適応的重み付け方式は、重みなしの組み合わせに比べ、結合成分の説明力の向上に寄与するか？
• RQ5 複雑な依存構造が存在する状況下でも、関数的結合CCAはアモルティュード関数とフェーズ関数間の意味のある相関構造を検出できるか？

主な発見

• バークレー成長データにおいて、FCPCAは遅れた思春期の急成長期（フェーズ）と低下したピーク成長速度（アモルティュード）の非線形的関連性を的確に捉えており、標準的FPCAおよびアラインメント済みFPCAでは捉えきれない。
• サンプルサイズ $ n = 30 $ のシミュレーションデータにおいて、推定された最初の2つの結合成分は真の母集団固有関数に近似しており、$ \hat{C} = 1.44 $（SD 0.31）および $ \hat{\lambda}_1^{\hat{C}} = 4.12 $（SD 0.26）であり、サンプルサイズが増加するに従い母集団値に近づく。
• 推定された平均関数と真の平均関数との $ L_2 $-距離は、$ n = 30 $ 時に 2.89（SD 1.27）から $ n = 100 $ 時に 2.15（SD 0.85）に減少し、サンプルサイズが大きくなるに従い推定精度が向上していることが示された。
• 関数的結合CCAにおいて、推定された線形相関係数 $ \hat{\rho}_1 = 0.68 $（SD 0.21）（$ n = 30 $）および $ 0.72 $（SD 0.19）（$ n = 100 $）は、真の値 0.8 に近づき、一貫した推定性能を示した。
• 推定された重み関数 $ \psi_{y,1} $ と $ \psi_{x,1} $ と真の関数との $ L_2 $-距離は、$ n = 30 $ 時にそれぞれ 0.89（SD 0.31）および 0.72（SD 0.28）から $ n = 100 $ 時に 0.43（SD 0.18）および 0.55（SD 0.15）に減少し、推定精度の向上が確認された。
• 提案手法は、元の関数空間における主要な非線形変動モードを的確に可視化でき、結合されたアモルティュード・フェーズ構造を直接解釈可能にしている。