[論文レビュー] FuDGE: A Method to Estimate a Functional Differential Graph in a High-Dimensional Setting

Boxin Zhao, Y. Samuel Wang+1 more|arXiv (Cornell University)|Mar 11, 2020

Metabolomics and Mass Spectrometry Studies被引用数 8

ひとこと要約

本稿では、2つの多変量関数データ群間の条件付き依存構造の差を捉える機能的微分グラフを直接推定するための方法であるFuDGEを提案する。個々のグラフを推定することなく、精度演算子の差を直接モデル化することで、離散的に観測された関数データの高次元設定下でもスパースな微分グラフの一貫した推定を可能にする。

ABSTRACT

We consider the problem of estimating the difference between two undirected functional graphical models with shared structures. In many applications, data are naturally regarded as a vector of random functions rather than as a vector of scalars. For example, electroencephalography (EEG) data are treated more appropriately as functions of time. In such a problem, 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. This is further complicated by the fact that curves are usually observed only at discrete time points. We first define a functional differential graph that captures the differences between two functional graphical models and formally characterize when the functional differential graph is well defined. We then propose a method, FuDGE, that directly estimates the functional differential graph without first estimating each individual graph. This is particularly beneficial in settings where the individual graphs are dense but the differential graph is sparse. We show that FuDGE consistently estimates the functional differential graph even in a high-dimensional setting for both fully observed and discretely observed function paths. We illustrate the finite sample properties of our method through simulation studies. We also propose a competing method, the Joint Functional Graphical Lasso, which generalizes the Joint Graphical Lasso to the functional setting. Finally, we apply our method to EEG data to uncover differences in functional brain connectivity between a group of individuals with alcohol use disorder and a control group.

研究の動機と目的

• 関数データ（標本がスカラーではなく曲線である）として得られる2つの多変量関数データ群間の条件付き依存構造の差を推定する課題に対処すること。
• 個々のグラフが密であるが微分グラフがスパースであるような状況において、機能的微分グラフを2つの関数グラフィカルモデルの差として形式化すること。
• 個々のグラフの推定を回避する直接推定法を開発し、高次元設定下での効率性と一貫性を向上させること。
• 完全観測および離散的観測の両方の関数的経路下で、提案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、アルコール使用症候群を有する被験者と対照群との間の結合差を解明すること。

提案手法

• FuDGEは、2つの関数データ群間の精度演算子の差を直接モデル化することで、機能的微分グラフを推定する。個々のグラフを別々に推定するのを回避する。
• スパース性を誘導するため、関数グラフィカルラッソ型の罰則を用いた罰則付き尤度推定を採用し、演算子推定にヒルバート＝シュミットノルムを活用する。
• 関数データ解析の技術、特にカーフェン・ロイケ展開を用いて、曲線を可分ヒルベルト空間に表現し、無限次元観測を扱う。
• 高次元漸近的枠組み下で理論的一貫性を確立し、変数数 $ p $ がサンプルサイズ $ n $ を超える状況（$ p \to \infty $ で $ n $ が固定またはゆっくり増加）において、確率的ヒルベルト空間値過程の集中不等式およびモーメントバウンドを用いる。
• 測定誤差と不規則なサンプリングをモデル化することで、離散的観測関数データに対応し、バイアス補正済みの実現共分散演算子推定量を導入する。
• 比較評価のため、関数的設定における連合グラフィカルラッソの一般化である、競合手法（Joint Functional Graphical Lasso）を提案する。

実験結果

リサーチクエスチョン

• RQ1 関数データが無限次元空間に存在する場合に、機能的微分グラフを形式的に定義し、一貫して推定可能か？
• RQ2 微分構造がスパースである高次元設定下で、FuDGEによる微分グラフの直接推定が、個々のグラフを逐次推定する手法を上回る性能を示すか？
• RQ3 関数データが離散的かつ不規則な時刻にのみ観測される場合、本手法はどのように動作するか？
• RQ4 実際のEEGデータを用いて、FuDGEはアルコール使用症候群を有する被験者と対照群との間の脳機能的結合パターンの有意差を回復できるか？
• RQ5 高次元的・非パラメトリック設定下で、FuDGEが機能的微分グラフを一貫して推定するための理論的条件は何か？

主な発見

• FuDGEは、$ p \to \infty $ でありながら $ n $ が固定またはゆっくり増加する高次元漸近的枠組み下でも、機能的微分グラフを一貫して推定できる。
• 真の微分グラフがスパースである場合でさえ、個々のグラフが密であっても、微分グラフ構造の一致した回復が達成される。
• 理論的分析により、FuDGEの推定誤差は $ O_p\big( \frac{D_{1,f}\theta^2|\tau|/2 + D_{0,f}\theta}{T} \big) $ のレートで減少することが示された。ここで $ D_{1,f} $ と $ D_{0,f} $ は関数的経路の滑らかさと変動性を制御する。
• シミュレーション研究により、FuDGEは特に高次元的かつスパースな微分構造を持つ設定下で、真陽性率および誤発見率の観点でベースライン手法を上回ることが示された。
• EEG応用において、FuDGEはアルコール使用症候群を有する被験者と対照群との間で、前頭前野および側頭部領域に顕著な機能的脳結合差を同定した。
• 連合関数グラフィカルラッソは、関数的設定への連合グラフィカルラッソの正当な一般化ではあるが、スパース微分推定タスクにおいてFuDGEに比べて性能が劣ることが示された。