[論文レビュー] Independent Component Discovery in Temporal Count Data

Alexandre Chaussard, Anna Bonnet+1 more|arXiv (Cornell University)|Jan 29, 2026

Bayesian Methods and Mixture Models被引用数 0

ひとこと要約

Poisson log-normal ICA フレームワークを導入し、時系列カウントデータの regime-switching ダイナミクスを用いて identifiability を標準的な ICA の曖昧さまで保証し、推論の改善と解釈可能なマイクロbiオーム解析を示す。

ABSTRACT

Advances in data collection are producing growing volumes of temporal count observations, making adapted modeling increasingly necessary. In this work, we introduce a generative framework for independent component analysis of temporal count data, combining regime-adaptive dynamics with Poisson log-normal emissions. The model identifies disentangled components with regime-dependent contributions, enabling representation learning and perturbations analysis. Notably, we establish the identifiability of the model, supporting principled interpretation. To learn the parameters, we propose an efficient amortized variational inference procedure. Experiments on simulated data evaluate recovery of the mixing function and latent sources across diverse settings, while an in vivo longitudinal gut microbiome study reveals microbial co-variation patterns and regime shifts consistent with clinical perturbations.

研究の動機と目的

• 多変量時系列カウントデータにおける解釈可能な潜在構造発見の必要性を動機付ける。
• regime-switching dynamics を取り入れた生成モデル PLN-ICA を提案し、 regime 変化を捉える。
• mild な条件の下でミキシング行列の identifiability を確立する。
• 効率的な学習のための amortized variational inference 手法を開発する。
• シミュレーションデータと腸内微生物叢の縦断研究で方法を実証する。

提案手法

• 潜在ソースの線形混合によって対数強度が生成される Poisson log-normal (PLN) 発出モデルを定義する。
• リニア混合 Gamma を用いた拡張可能な regime-switching ダイナミクスを取り入れ、ARPLN-ICA を実現する。
• identifiability を証明する： mildly non-degeneracy 条件の下で混合行列は置換と再スケーリングに対して identifi able である（Corollary 3.2）。
• continuous ソースと discrete regime を分離する因子化された q(z|x) を持つ構造化された amortized variational inference (VEM) を採用し、効率的な学習を可能にする。
• 観測カウントを variational パラメータに写像する GRU ベースの amortization を用い、学習中の混合行列の列ごとの正規化を適用して同定不定性に対処する。
• 時系列全体でのスケーラブル推論のための PyTorch 実装と学習アルゴリズム（Algorithm 1）を提供する。

Figure 2 : Generative distribution quality and mixing recovery in simulation scenarios with ARPLN-ICA, comparing Auto-Regressive (AR) and Mean-Field (MF) inference of the mixing in ARPLN-ICA, and linear ICA mixing estimation algorithms. (Left) Sliced Wasserstein evaluates the distance to the baselin

実験結果

リサーチクエスチョン

• RQ1 PLN ベースの ICA に regime switching を組み合わせると、多変量時系列カウントデータから潜在成分を identifiably 回復できるか？
• RQ2 提案する ARPLN-ICA は有限サンプルの下で、異なるコヒーレンスとスパース性の条件下で真の混合行列と潜在ソースをどれだけ回復できるか？
• RQ3 regime-switching ダイナミクスは実データの既知の撹乱（例：マイクロ바イオーム研究）の変動と一致するか？

主な発見

• 構造化された ARPLN-ICA は、 moderate および high の列コヒーレンスにおいて混合行列の部分回復を達成し、コサイン類似度はおおよそ 74.6%（moderate）と 84.5%（high）である。
• 対数カウント上の線形 ICA（UwedgeICA, Picard） は観測モデルの不一致のため不十分であり、混合回復の平均はそれぞれ 46% と 44% である。
• 構造化された変分推論（AR）は平均場（MF）より分布適合を改善し、生成モデルの整合性（スライス Wasserstein）も向上する。
• 無菌マウスのマイクロbiオーム研究で、モデルは攪乱（定着と C. difficile 感染）と一致する regime shift を同定し、感染に関連する分類群の共変動パターンを明らかにする。
• 成分 4 は感染駆動のダイナミクスを捉え、C. difficile と Dysbiosis 関連分類群の共変動を示す荷重を持ち、A. muciniphila との負の共変動を示す。
• 予測実験は ARPLN-ICA をベースラインと比較して、一貫した生物学的に妥当な軌跡予測を示す。

Figure 3 : Mixing components recovery with varying training size $n$ using the Auto-Regressive variational approximation in the moderate coherence scenario. Recovery is assessed via cosine similarity per component over $10$ training with different initializations.