[論文レビュー] Direct Estimation of Differential Functional Graphical Models

Boxin Zhao, Y. Samuel Wang+1 more|arXiv (Cornell University)|Oct 22, 2019

Bayesian Modeling and Causal Inference被引用数 5

ひとこと要約

本稿では、EEG信号などの2つの集団間の条件付き独立構造の差を個別に推定することなく、関数データの2つの集団間の条件付き独立構造の差を直接推定する手法FuDGEを提案する。この手法は、関数ガウス過程フレームワーク下で精度行列の差に対するスパース推定を活用し、個々のグラフが密であっても一貫した差分グラフ回復を達成する。

ABSTRACT

We consider the problem of estimating the difference between two functional undirected graphical models with shared structures. In many applications, data are naturally regarded as high-dimensional random function vectors rather than multivariate scalars. For example, electroencephalography (EEG) data are more appropriately treated as functions of time. In these problems, not only can the number of functions measured per sample be large, but each function is itself an infinite dimensional object, making estimation of model parameters challenging. We develop a method that directly estimates the difference of graphs, avoiding separate estimation of each graph, and show it is consistent in certain high-dimensional settings. We illustrate finite sample properties of our method through simulation studies. Finally, we apply our method to EEG data to uncover differences in functional brain connectivity between alcoholics and control subjects.

研究の動機と目的

• データがスカラーベクトルではなく高次元曲線である場合に、関数グラフィカルモデルの差を推定する課題に対処すること。
• 個別グラフ推定の限界を克服すること。個別グラフが密であるかハブノードを含む場合、従来手法は失敗する。
• 2つの関数データ集団間の差分グラフ構造を直接推定する手法を開発すること。
• スパースな差分構造を仮定した高次元漸近的設定下で、この手法の理論的一貫性を確立すること。
• 実際のEEGデータにこの手法を適用し、アルコール症候群と対照群の間の結合パターンの差を解明すること。

提案手法

• 多変量ガウス過程（MGP）仮定の下で、関数データの2つの精度行列の差を推定する問題を定式化する。
• 個々のグラフ推定を回避する直接推定フレームワーク—関数差分グラフ推定（FuDGE）を提案。差行列 Δ = Θ^X − Θ^Y を直接モデル化する。
• 差行列にℓ1型ペナルティを適用することで、差分グラフのスパarsityを強制するペナルティ付き尤度アプローチを採用する。
• 関数データ解析のアプローチを用い、共分散および共分散関数を基底関数展開（例：Bスプライン）で表現し、離散化最適化により関数精度行列の差を推定する。
• 時間的ポイントおよび変数ペア全体にわたる構造的スパarsityを促進するために、グループリッジ型正則化を適用する。
• 差行列がスパースであると仮定した高次元設定下で、理論的一致性を導出する。この設定では関数の数pが標本サイズとともに増加する。

実験結果

リサーチクエスチョン

• RQ1 個別にグラフを推定せずに、2つの関数データ集団間の条件付き独立構造の差を一貫して推定できるか？
• RQ2 個別グラフが密である高次元関数データにおいて、差分グラフの直接推定が逐次推定を上回る性能を示すか？
• RQ3 EEGデータを用いて、アルコール症候群と対照群の間の脳結合パターンの有意差を同定できるか？
• RQ4 関数データ設定下で、差分グラフが理論的に一貫して回復可能な条件は何か？
• RQ5 AIC/BICや複数グラフ推定と比較して、有限標本下での本手法の性能はいかがなものか？

主な発見

• シミュレーション研究において、Model1ではAUCが平均0.99（p=30）に達し、AIC、BIC、複数グラフ推定手法を著しく上回った。
• Model2では個別グラフが密であるが、FuDGEは依然として優れた性能（p=30でAUC ≈ 0.90）を示した。一方、AICとBICは失敗（AUC ≈ 0.5）し、密な元のグラフに対しても頑健であることが確認された。
• Model3ではp=90でAUC > 0.74を維持したが、AICとBICは0.5に留まった。これは、スパースな差分構造の検出において本手法の優位性を示している。
• 複数グラフ推定が有効な状況下でも、FuDGEは競争力のある性能（p=120でAUC 0.94）を示し、さまざまな設定に柔軟に対応できることを示した。
• 実際のEEGデータにおいて、アルコール症候群と対照群の間で機能的脳結合の顕著な差を同定した。特に前頭前野および側頭部領域で結合パターンの変化が明らかになった。
• 理論的解析により、差行列がスパースである場合に、高次元漸近的設定下でFuDGEが真の差分グラフを一貫して回復できることを確認した。