[論文レビュー] Meta-analysis of heterogeneous data: integrative sparse regression in high-dimensions

Subha Maity, Yuekai Sun+1 more|arXiv (Cornell University)|Dec 26, 2019

Statistical Methods and Inference被引用数 5

ひとこと要約

本稿では、異種の高次元データセットに対する頑健な統合スパース回帰手法であるMrLassoを提案する。再降下損失関数を用いて、データセット間の外れ値を除いた係数の集約としてスパースかつ解釈可能なグローバルパラメータを特定することで、平均ベースのプーリングやグローバルlassoと比較して、希少がん種においてより高速な収束速度と優れた予測性能を達成するとともに、ワンショット推定器によりデータの機微を保持する。

ABSTRACT

We consider the task of meta-analysis in high-dimensional settings in which the data sources are similar but non-identical. To borrow strength across such heterogeneous datasets, we introduce a global parameter that emphasizes interpretability and statistical efficiency in the presence of heterogeneity. We also propose a one-shot estimator of the global parameter that preserves the anonymity of the data sources and converges at a rate that depends on the size of the combined dataset. For high-dimensional linear model settings, we demonstrate the superiority of our identification restrictions in adapting to a previously seen data distribution as well as predicting for a new/unseen data distribution. Finally, we demonstrate the benefits of our approach on a large-scale drug treatment dataset involving several different cancer cell-lines.

研究の動機と目的

• データの異質性によってグローバルパラメータが未定義となる統合的高次元回帰における同定可能性問題に対処すること。
• 複数のデータセットにまたがる合計サンプルサイズを活用し、グローバルパラメータの統計的効率性と計算スケーラビリティを高める推定器の開発。
• 頑健な統計的手法を用いて各データセットにおけるインライア係数を同定することで、グローバルパラメータのスパarsityと解釈可能性を保証すること。
• 複数のデータソースに共通する一貫した効果に焦点を当てることで、希少または未観測のデータ分布における予測精度の向上。

提案手法

• 再降下損失関数Ψを用いたグローバルパラメータθ₀*の同定制約を提案し、各係数jについて、k個のデータセットにおけるΨ((θₖ*)ⱼ − μⱼ)の和の最小化として定義する。
• θ₀*を、各データセットにおけるj番目の係数の頑健な位置推定値（例：トリムム平均やM推定量）として定義し、外れ値ではなくインライアクラスタを反映するように保証する。
• 生データの共有を必要とせず、グローバルパラメータを計算するワンショット推定器を導入することで、データソースの匿名性を保持するとともに、通信効率の高い分散計算を可能にする。
• 頑健に集約された係数にソフトスレッショルド処理を適用し、スパースかつ解釈可能なグローバルモデルを実現する。
• 統合推定器の正則化パラメータηとスレッショルドレベルtの選択に交差検証を用いる。
• メタアナリシスの前段階で、個々のデータセットに対してデバイアスlassoアプローチを適用し、推定精度を向上させる。

実験結果

リサーチクエスチョン

• RQ1 グローバルパラメータに対する頑健な同定制約は、高次元メタアナリシスにおける異種データの解釈可能性と統計的効率性を向上させるか？
• RQ2 提案されたMrLasso推定器は、希少がん種における予測性能において、平均ベースのプーリングやグローバルlassoと比較して優れているか？
• RQ3 再降下損失関数の使用は、データセット全体の合計サンプルサイズに依存するより高速な収束速度をもたらすか？
• RQ4 MrLassoは、効果サイズの不一致を過剰にプールしないように、異なるレベルの異質性に適応できるか？
• RQ5 ワンショット推定器は、非同一の分散データ環境下でも、プライバシーを保持しながら統計的効率性を達成できるか？

主な発見

• MrLassoは、すべてのデータセットの合計サンプルサイズに依存するグローバルパラメータの収束速度が速く、統計的効率性が向上する。
• 局所パラメータのサポートが重複しない場合や効果サイズが異なる場合に特に顕著に、MrLassoが得るグローバルパラメータは平均ベースのプーリングよりも顕著にスパースである。
• 希少がん種の予測タスクにおいて、MrLassoは平均ベース推定器およびグローバルlassoを常に上回り、特に効果サイズの異質性が高い状況で顕著な優位性を示す。
• 極端な異質性が生じる状況では、MrLassoは不一致な効果サイズのプールを自動的に回避し、平均ベース手法で見られる性能劣化を防ぐ。
• ワンショット推定器は、生データの転送を必要としないため、データの機微を保持する一方で、合計サンプルサイズに依存するレートで推定誤差が消える。
• CCLE薬物応答データセットにおける実験的結果から、MrLassoはデータソース間で共通する頑健な信号に焦点を当てているため、未観測のがん種への一般化性能が優れている。