[論文レビュー] Large Spectral Density Matrix Estimation by Thresholding

Yiming Sun, Yige Li+2 more|arXiv (Cornell University)|Dec 3, 2018

Functional Brain Connectivity Studies参考文献 27被引用数 19

ひとこと要約

本稿では、平均化周期図を用いて、高次元時系列のスペクトル密度行列をしきい値処理に基づく手法で推定する方法を提案する。真のスペクトルが近似的にスパースである場合、高次元的状況下で log p/n → 0 を満たすとき、一貫性のある推定が達成される。この手法により、機能的結合ネットワークにおける自動的エッジ選択が可能となり、平均化周期図に関する新しい濃縮不等式が導入され、縮小に基づく手法に比べてより優れた理論的保証が得られる。

ABSTRACT

Spectral density matrix estimation of multivariate time series is a classical problem in time series and signal processing. In modern neuroscience, spectral density based metrics are commonly used for analyzing functional connectivity among brain regions. In this paper, we develop a non-asymptotic theory for regularized estimation of high-dimensional spectral density matrices of Gaussian and linear processes using thresholded versions of averaged periodograms. Our theoretical analysis ensures that consistent estimation of spectral density matrix of a $p$-dimensional time series using $n$ samples is possible under high-dimensional regime $\log p / n ightarrow 0$ as long as the true spectral density is approximately sparse. A key technical component of our analysis is a new concentration inequality of average periodogram around its expectation, which is of independent interest. Our estimation consistency results complement existing results for shrinkage based estimators of multivariate spectral density, which require no assumption on sparsity but only ensure consistent estimation in a regime $p^2/n ightarrow 0$. In addition, our proposed thresholding based estimators perform consistent and automatic edge selection when learning coherence networks among the components of a multivariate time series. We demonstrate the advantage of our estimators using simulation studies and a real data application on functional connectivity analysis with fMRI data.

研究の動機と目的

• log p/n → 0 の状況下で、高次元的スペクトル密度行列の正則化推定に関する非漸近的理論を構築すること。
• 真のスペクトルが近似的にスパースである場合、小さな標本サイズ（n ≪ p²）でもスペクトル密度行列の一貫性のある推定を可能にすること。
• 時系列成分間のコherー二ンスネットワークにおける自動的エッジ選択を実現する手法を提供し、解釈可能性を向上させること。
• しきい値処理された平均化周期図推定量の理論的一貫性を確立し、従来の縮小に基づくアプローチに比べ、p²/n → 0 に依存する弱い条件で補完すること。
• シミュレーションおよび神経科学分野における実fMRIデータ解析を通じて、本手法の優位性を示すこと。

提案手法

• 多変量ガウス過程および線形過程のスペクトル密度行列推定に、平均化周期図のしきい値処理版を用いる。
• 硬いしきい値処理、lasso、および適応的lassoを平均化周期図に適用し、スパarsityを促進するとともに推定誤差を低減する。
• 期待値の周囲における平均化周期図の新しい濃縮不等式を導出する。これは理論的分析の中心的役割を果たし、独立的にも価値がある。
• 理論的分析により、真のスペクトル密度行列が近似的にスパースであれば、高次元的状況下で log p/n → 0 のもとで一貫性が保証されることを示す。
• 弱いコherー二ンス値をゼロに縮小することで、エッジ選択が自動的に実現され、スパースで解釈可能な機能的結合ネットワークが得られる。
• 推定誤差と真のスペクトル密度行列の近似的スパarsity度の関係を明示的に示す理論的バウンドを導出する。

実験結果

リサーチクエスチョン

• RQ1 log p/n → 0 のもとで、真のスペクトルが近似的にスパースである場合、高次元的スペクトル密度行列の推定が一貫して達成可能か？
• RQ2 しきい値処理に基づく推定は、縮小に基づく手法と比較して理論的一貫性および標本サイズ要件においてどのように異なるか？
• RQ3 平均化周期図のしきい値処理は、機能的結合ネットワークにおける自動的かつ意味のあるエッジ選択を可能にするか？
• RQ4 平均化周期図に関する新しい濃縮不等式は、非漸近的理論的保証を可能にする上で果たす役割は何か？
• RQ5 本手法は、小さなnと大きなpを伴う有限標本設定、特にfMRIデータ解析において、既存の推定量を上回る性能を示すか？

主な発見

• 提案されたしきい値処理推定量は、真のスペクトルが近似的にスパースであれば、高次元的状況下で log p/n → 0 のもとで、スペクトル密度行列の推定が一貫して達成される。
• 標本サイズの効率性において、縮小に基づく推定量を上回る。縮小手法はより強い条件 p²/n → 0 を必要とする。
• シミュレーション結果では、適応的lassoしきい値処理が最高のF1スコア（例：p=96, n=600で93.64%）を達成し、エッジ検出における精度と再現率の両面で優れた性能を示した。
• p=86の脳領域とn=200の標本を用いたfMRIデータ解析において、しきい値処理手法は、解釈性が向上した、整合性のある脳ネットワークを効果的に同定した。
• 図3の適応的lassoしきい値処理によるコherー二ンス行列のヒートマップは、対角的縮小（図4）と比較して、より明確でスパースかつ構造的なパターンを示した。
• 理論的分析により、真のスペクトル密度行列が近似的にスパースであれば、推定誤差が有界であり、高次元的状況下でもゼロに収束することが確認された。