[論文レビュー] Gaussian DAGs on network data.

Hangjian Li, Qing Zhou|arXiv (Cornell University)|May 26, 2019

Statistical Methods and Inference参考文献 17被引用数 1

ひとこと要約

本稿では、ネットワーク構造データに対して、罰則付き尤度アプローチを用いてDAG構造と行相関行列を同時に推定する、新しいガウスDAGモデルを提案する。逐次的に分離リッジ回帰とグラフィカルリッジを適用することで、個体間の依存関係を活用し、デコリレーションされたネットワークデータに適用した場合、標準的なDAG手法よりも顕著に性能が向上するDAG構造学習の精度が向上する。

ABSTRACT

The traditional directed acyclic graph (DAG) model assumes data are generated independently from the underlying joint distribution defined by the DAG. In many applications, however, individuals are linked via a network and thus the independence assumption does not hold. We propose a novel Gaussian DAG model for network data, where the dependence among individual data points (row covariance) is modeled by an undirected graph. Under this model, we develop a maximum penalized likelihood method to estimate the DAG structure and the row correlation matrix. The algorithm iterates between a decoupled lasso regression step and a graphical lasso step. We show with extensive simulated and real network data, that our algorithm improves the accuracy of DAG structure learning by leveraging the information from the estimated row correlations. Moreover, we demonstrate that the performance of existing DAG learning methods can be substantially improved via de-correlation of network data with the estimated row correlation matrix from our algorithm.

研究の動機と目的

• データがネットワークで接続された個体から収集される場合、従来のDAGモデルにおける独立性の仮定が破綻する問題に対処すること。
• ガウスネットワークデータにおけるDAG構造と行相関行列の共同推定フレームワークを開発すること。
• ネットワーク構造からの行方向の依存関係情報を組み込むことで、DAG構造学習の精度を向上させること。
• 推定された行相関行列を用いたデコリレーション処理により、既存のDAG学習手法がどの程度向上するかを示すこと。

提案手法

• 本手法は、DAG構造と行相関行列を同時に推定するため、最大罰則付き尤度アプローチを用いる。
• 分離リッジ回帰ステップでDAG構造を推定し、グラフィカルリッジステップで行相関行列を推定する反復的かつ交互な手続きを採用する。
• 分離リッジ回帰ステップは、行方向の相関を考慮しつつDAGにおけるスパarsityを強制する。
• グラフィカルリッジステップは、スパarsity制約の下で行共分散行列の逆行列を推定する。
• アルゴリズムは、行の依存関係をモデル化するためにネットワークの無向グラフを活用し、DAGと相関構造を共同で最適化する。
• 本フレームワークは、シミュレートデータおよび実世界のネットワークデータの両方に対してスケーラブルかつ効果的であるように設計されている。

実験結果

リサーチクエスチョン

• RQ1 DAG構造と行相関の共同モデルは、ネットワーク構造データにおけるDAG学習の精度を向上させることができるか？
• RQ2 無向グラフを用いて行の依存関係をモデル化すると、真のDAG構造の回復にどのような影響を与えるか？
• RQ3 既存のDAG学習手法は、推定された行相関行列を用いた前処理によってどの程度向上するか？
• RQ4 データがネットワーク構造に起因する依存性を持つ場合、本手法は標準的なDAG学習アプローチを上回るか？

主な発見

• 本手法は、ネットワーク構造から導出された行方向の相関を組み込むことで、DAG構造学習の精度を顕著に向上させる。
• 反復的な分離リッジ回帰とグラフィカルリッジのアルゴリズムは安定した解に収束し、DAG構造と相関構造の両方を効果的に捉える。
• 推定された行相関行列を用いたネットワークデータのデコリレーションは、既存のDAG学習手法の性能を顕著に向上させる。
• シミュレーションおよび実データの両方で、特に高い行相関が存在する状況において、構造回復の精度が一貫して向上する。
• 本手法は、多様なネットワークトポロジーとデータ次元に対して、頑健性を示す。
• 共同推定フレームワークは、DAG構造のスパarsityを維持しつつ、ネットワークデータにおける依存関係を原理的かつ適切にモデル化する手法を提供する。