[論文レビュー] Flexible Bayesian Dynamic Modeling of Correlation and Covariance Matrices

Shiwei Lan, Andrew J. Holbrook+4 more|arXiv (Cornell University)|Nov 8, 2017

Bayesian Methods and Mixture Models参考文献 66被引用数 3

ひとこと要約

本稿は、球面上の単位ベクトル積表現を用いて動的相関および共分散行列をモデル化する柔軟なベイズ枠組みを提案する。これにより、制限的である逆ウィシャートより柔軟で、情報のない解釈可能な事前分布が可能になる。後部計算には、非自明な事後分布に対応するための適応的Δ-球面ハミルトニアンモンテカルロ（Δ-Spherical HMC）を導入し、ラットの記憶タスクにおける神経動態の優れた検出を実証した。特に500ms未満の期間において、従来の手法では検出できなかった認知状態の差を明らかにした。

ABSTRACT

Modeling correlation (and covariance) matrices can be challenging due to the positive-definiteness constraint and potential high-dimensionality. Our approach is to decompose the covariance matrix into the correlation and variance matrices and propose a novel Bayesian framework based on modeling the correlations as products of unit vectors. By specifying a wide range of distributions on a sphere (e.g. the squared-Dirichlet distribution), the proposed approach induces flexible prior distributions for covariance matrices (that go beyond the commonly used inverse-Wishart prior). For modeling real-life spatio-temporal processes with complex dependence structures, we extend our method to dynamic cases and introduce unit-vector Gaussian process priors in order to capture the evolution of correlation among components of a multivariate time series. To handle the intractability of the resulting posterior, we introduce the adaptive $Δ$-Spherical Hamiltonian Monte Carlo. We demonstrate the validity and flexibility of our proposed framework in a simulation study of periodic processes and an analysis of rat's local field potential activity in a complex sequence memory task.

研究の動機と目的

• 共分散行列モデルにおける標準的な逆ウィシャート事前分布の制限的で柔軟性に欠ける問題を解決すること。
• 正定値性を保ちつつ、分散および相関成分の解釈可能性を維持する計算効率の良いベイズ手法を開発すること。
• 特に神経科学分野の応用を想定し、時間的に変化する依存関係をモデル化する動的設定への拡張を図ること。
• 複雑な事前分布に起因する非自明な事後分布に対処するための、新規の推論アルゴリズムである適応的Δ-球面ハミルトニアンモンテカルロを導入すること。
• 動的共分散行列モデルにおける事後収縮率の理論的および実験的分析を行い、本分野で初めての取り組みを実施すること。

提案手法

• 共分散行列を分散行列と相関行列に分解し、相関行列を球面上の単位ベクトルの積でモデル化する。
• 球面上の分布（例：二乗ディリクレ分布）を用いて、柔軟で非共役の相関行列に対する事前分布を導入する。
• 時間的に変化する相関構造をモデル化するため、球面成分に単位ベクトルガウス過程事前分布を適用する。
• 各時刻における相関行列の正定値性を保証するために、コレスキー分解を適用する。
• 新規な幾何的事前分布構造下で、非自明な事後分布からの効率的サンプリングを可能にする、適応的Δ-球面ハミルトニアンモンテカルロを開発する。
• 構造化されたパrameterizationにより、成分間の依存性のある事前分布を許容しつつも、対ごとの相関の解釈可能性を維持する。

実験結果

リサーチクエスチョン

• RQ1 球面上の幾何的で単位ベクトルに基づく表現は、共分散行列に対する逆ウィシャート事前分布の柔軟で解釈可能な代替手段として有効であるか？
• RQ2 球面成分におけるガウス過程事前分布を用いて、多次元時系列の動的相関構造を効果的にモデル化できるか？
• RQ3 提案されたベイズモデルにおける動的共分散行列の事後収縮率は何か？また、平均関数の収縮率と比較するとどうなるか？
• RQ4 本手法は、従来の手法が失敗する複雑な認知タスクにおける、微細で時間的に変化する神経結合の変化を検出できるか？
• RQ5 適応的Δ-球面HMCアルゴリズムは、高次元かつ制約付きの事後分布に対して、混合性および収束性の観点でどのように性能を発揮するか？

主な発見

• 提案手法は、ラットの記憶タスクにおけるInSeqとOutSeqの試行間で、特に500ms未満の期間に顕著な神経活動の差を検出できた。これは従来の分析では検出できなかった。
• モデルは350ms未満の時間窓において、行動反応の前段階でさえも、系列情報の早期処理を示す明確な神経動態を明らかにした。
• 事後収縮解析の結果、共分散の事後分布は濃縮関数と整合的な収縮率を示したが、平均の事後分布より遅かった。これは理論的精緻化の余地があることを示唆した。
• 適応的Δ-球面HMCアルゴリズムにより、複雑で高次元の事後分布からの効率的サンプリングが可能となり、実際の神経データへの応用を支援した。
• シミュレートされた周期的プロセスおよび実際のLFPデータにおいて、標準的な潜在因子モデルやパラメトリックモデルよりも、複雑で非定常な依存関係をよりよく捉えていた。
• 本手法は、特に認知処理の初期段階において、動的脳結合性の変化を検出するうえで、強固で感度の高い性能を示し、神経科学分野における応用価値を強調した。