[論文レビュー] Discovering Conditionally Salient Features with Statistical Guarantees

Jaime Roquero Gimenez, James Zou|arXiv (Cornell University)|May 29, 2019

Gene expression and cancer classification参考文献 22被引用数 6

ひとこと要約

この論文は、特徴空間の特定の部分領域において関連する特徴を同定するように、ノックオフフレームワークを拡張した条件付き特徴選択手法を提案する。この手法は、局所的誤発見率（FDR）に対する統計的制御を維持しつつ、特徴の重要度スコアの局所的交換不変性を活用することで、モデルフリーなデータ駆動型アプローチを採用し、統計的保証を損なわず、局所的特徴値に条件付けた状態でも有効なFDR制御を達成する。

ABSTRACT

The goal of feature selection is to identify important features that are relevant to explain an outcome variable. Most of the work in this domain has focused on identifying globally relevant features, which are features that are related to the outcome using evidence across the entire dataset. We study a more fine-grained statistical problem: conditional feature selection, where a feature may be relevant depending on the values of the other features. For example in genetic association studies, variant $A$ could be associated with the phenotype in the entire dataset, but conditioned on variant $B$ being present it might be independent of the phenotype. In this sense, variant $A$ is globally relevant, but conditioned on $B$ it is no longer locally relevant in that region of the feature space. We present a generalization of the knockoff procedure that performs conditional feature selection while controlling a generalization of the false discovery rate (FDR) to the conditional setting. By exploiting the feature/response model-free framework of the knockoffs, the quality of the statistical FDR guarantee is not degraded even when we perform conditional feature selections. We implement this method and present an algorithm that automatically partitions the feature space such that it enhances the differences between selected sets in different regions, and validate the statistical theoretical results with experiments.

研究の動機と目的

• 特徴空間内の特定の条件下でのみ関連する特徴を同定できるグローバル特徴選択の限界を解消すること。
• 局所的領域におけるきめ細やかな誤発見率（FDR）制御を維持する統計的フレームワークを構築すること。
• データサブサンプリングやモデルベースの条件付けによる統計的妥当性と検出力の低下という欠点を克服すること。
• 元のノックオフ手法のモデルフリー性と統計的保証を保ちつつ、ノックオフ手順を局所的設定に拡張すること。
• 生物学的経路が事前に存在する遺伝的バリアントに依存する、ゲノム学やその他の高次元設定における条件付き顕著特徴の同定を可能にすること。

提案手法

• 特徴空間の部分領域における局所的ノイズ特徴と局所的FDRを定義することで、ノックオフフレームワークを条件付き特徴選択に拡張する。
• 局所的特徴値に感受性があり、条件付けの下でも統計的妥当性を保証する、交換不変性を満たす重要度スコアの構築を採用する。
• i.i.d.標本からの経験的測度 $\hat{\mu}_n$ を用いて、特徴と応答の同時分布を推定し、データ駆動型の重要度スコアを可能にする。
• FDR制御に必要な分布的対称性を保持するため、重要度スコアに $r$-局所性制約を課す。
• 重要度スコアの交換不変性から導かれる符号反転性を応用し、各局所的領域に対して適応的閾値 $\tau^l$ を構築する。
• 特徴の関連性が異なる可能性がある異なる局所的領域を特定するためのパーティショニング戦略を採用し、各サブ領域における検出力の向上を図る。

実験結果

リサーチクエスチョン

• RQ1 条件付き特徴選択設定において、意味的な局所的ノイズ特徴と局所的FDRを定義できるか？
• RQ2 ノックオフフレームワークは、局所的・領域特異的特徴選択に応用されても、FDR制御の保証を維持できるか？
• RQ3 強いパラメトリック仮定やデータサブサンプリングに依存せずに、条件付き特徴選択における統計的妥当性を確保できるか？
• RQ4 局所的特徴値に感受性がありつつ、FDR制御に必要な対称性を保持できる重要度スコアを構築できるか？
• RQ5 特徴空間の局所的パーティショニングは、条件付き特徴同定の検出力と正確性にどのような影響を及ぼすか？

主な発見

• 提案手法は、特徴空間の特定の領域に条件付けた場合でも、元のノックオフ手順の統計的保証を弱めることなく、有効な局所的FDR制御を達成する。
• 特徴分布 $P^\boldsymbol{X}$ を全データセットを用いてモデル化することで、グローバルノックオフ選択と同等のFDR制御水準を維持する。
• 理論的分析により、重要度スコアの $r$-局所性が成立する場合、交換不変性が保証され、FDR制御が保証される適応的閾値の構築が可能であることが示された。
• この手法により、他のバリアントが存在する場合にのみ疾患リスクに影響を与えるSNPなどの条件付きに顕著な特徴を同定でき、生物学的に意味のある相互作用を明らかにできる。
• 実験的検証により、アルゴリズムがグローバル特徴選択では見逃されがちな局所的特徴の検出力を向上させることを確認した。特にゲノム分野の文脈で顕著である。
• データサブサンプリングの欠点（標本サイズの縮小、無効なp値の仮定）を回避しつつ、依然として領域特異的推論を可能にする。