[論文レビュー] Nonparametric Bayesian grouping methods for spatial time-series data

Edward B. Baskerville, Trevor Bedford+2 more|arXiv (Cornell University)|Jun 21, 2013

Bayesian Methods and Mixture Models参考文献 9被引用数 3

ひとこと要約

本稿では、マーカフ遷移モデルを用いて、時系列データ内の空間的位置の間で類似した時間的ダイナミクスを示すグループを特定する非パrametricベイズ枠組みを提案する。離散化された有病率レベル間の遷移をモデル化し、最尤推定、経験的ベイズ、MCMCを用いてグループ化を推定することで、動的に類似した地域を同定する。疾患監視研究において霍乱およびマラリアの動態に応用された実証的応用が示された。

ABSTRACT

We describe an approach for identifying groups of dynamically similar locations in spatial time-series data based on a simple Markov transition model. We give maximum-likelihood, empirical Bayes, and fully Bayesian formulations of the model, and describe exhaustive, greedy, and MCMC-based inference methods. The approach has been employed successfully in several studies to reveal meaningful relationships between environmental patterns and disease dynamics.

研究の動機と目的

• 機械的モデルを必要とせず、時間的ダイナミクスが類似する空間的位置のグループを同定する手法を開発すること。
• 従来のパラメトリックモデルが不適切となる、感染症データにおける複雑な空間時系列ダイナミクスをモデル化する課題に対処すること。
• 強いパラメトリック仮定を避ける一方で、グループ化と遷移確率の推論を可能にする柔軟な非パラメトリックアプローチを提供すること。
• 環境要因と疾患ダイナミクスの関係をデータ駆動型のグループ化を通じて明らかにすることで、生態学的・疫学的研究を支援すること。
• 現実の空間時系列データセットへの実用的応用を可能にする、網羅的・貪欲的・MCMCベースのスケーラブルな推論手法を提供すること。

提案手法

• 有病率の分位数などを用いて、空間時系列データをL段階に離散化し、非パラメトリックな遷移モデルを可能にする。
• 各グループの位置が共通の遷移確率行列 $\mathbf{P}_g$ を共有するマーカフ遷移モデルを用いてダイナミクスをモデル化し、各行の合計が1となるようにする。
• グループ割り当てを表すための制限付き成長関数を用い、正規化形式を保ち、ラベルバイアスを回避する。
• 最尤推定、経験的ベイズ、完全ベイズの定式化を用いてグループ化と遷移確率を推定する。
• Gibbsサンプリングとメトロポリス補正付きMCMC（MCMCMC）を用いて、グループ化の事後分布を探索し、大規模な組み合わせ空間における確率的探索を可能にする。
• 順次的なグループ化間での遷移回数の更新を最小限に抑えるためにグレイコードを用いた最適化により、計算効率を向上させる。

実験結果

リサーチクエスチョン

• RQ1 複雑な非パラメトリック時系列データにおいて、時間的ダイナミクスが類似する空間的位置はどのように同定できるか？
• RQ2 離散化された有病率レベルにおける観測された遷移パターンの尤度を最大化する最適な空間的領域のグループ化は何か？
• RQ3 ベイズ推論を用いて、グループ割り当てと遷移確率の不確実性をどのように定量化できるか？
• RQ4 高次元のグループ化空間において、網羅的探索、貪欲的クラスタリング、MCMCベースの推論の間にはどのような計算的トレードオフがあるか？
• RQ5 この手法は、現実の疾患監視データにおいて生物学的または疫学的に意味のあるグループ化を明らかにできるか？

主な発見

• 本手法は、機械的モデルを必要とせず、環境的要因と関連するパターンの同定を可能にする、空間時系列データにおける動的に類似した地域の同定に成功している。
• 2つのグループに制限した場合、約30地域までの網羅的探索が可能であり（例：$2^{29} \approx 5.4 \times 10^8$ 組み合わせ）、グレイコードを用いることで高速化が可能である。
• 網羅的探索が非現実的となる場合には、高速で部分最適な代替手段としての貪欲的凝集クラスタリングが有効である。
• Gibbsサンプリングを用いたMCMCMCにより、グループ化と遷移確率の完全ベイズ推論が可能となり、局所最適解に陥るリスクが低減される。
• 経験的ベイズ定式化は、インド・グジャラート州のマラリア・インフラ水路研究およびバングラデシュのダッカにおけるコレラ動態に応用され、グループ化の推定に成功している。
• モデルの柔軟性のおかげで、食物連鎖のダイナミクスや疾患-環境要因の相互作用研究といった複雑なシステムに対しても、より大きな階層的モデルに統合することで拡張可能である。