[論文レビュー] On perfectness in Gaussian graphical models

Arash A. Amini, Bryon Aragam+1 more|arXiv (Cornell University)|Sep 3, 2019

Bayesian Modeling and Causal Inference参考文献 13被引用数 4

ひとこと要約

本稿は、ガウス型グラフィカルモデル（GGM）の直接的で透明なパrametrizationを提供し、ほぼすべてのGGMが「完璧」であることを証明する。すなわち、確率分布における条件付き独立性がグラフ上の分離と正確に一致する。LničkaとMatúšの構成を拡張することで、GGMの強い完全性を確立し、不完全な分散共分散行列の集合を同定し、グラフ制約付きの正定値行列に対するモンテカルロサンプリングの構成的枠組みを提供する。

ABSTRACT

Knowing when a graphical model is perfect to a distribution is essential in order to relate separation in the graph to conditional independence in the distribution, and this is particularly important when performing inference from data. When the model is perfect, there is a one-to-one correspondence between conditional independence statements in the distribution and separation statements in the graph. Previous work has shown that almost all models based on linear directed acyclic graphs as well as Gaussian chain graphs are perfect, the latter of which subsumes Gaussian graphical models (i.e., the undirected Gaussian models) as a special case. However, the complexity of chain graph models leads to a proof of this result which is indirect and mired by the complications of parameterizing this general class. In this paper, we directly approach the problem of perfectness for the Gaussian graphical models, and provide a new proof, via a more transparent parametrization, that almost all such models are perfect. Our approach is based on, and substantially extends, a construction of Lněnička and Matúš showing the existence of a perfect Gaussian distribution for any graph.

研究の動機と目的

• ほぼすべてのガウス型グラフィカルモデル（GGM）が完璧であることを確立すること、すなわち、確率分布における条件付き独立性がグラフ上の分離と一致すること。
• チェーングラフモデルで用いられる間接的手法と比較して、より透明で直接的なGGMのパrametrizationを提供すること。
• 不完全な分散共分散行列の集合をノルム集合として特徴づけ、GGMにおける完璧性の一般性についての洞察を提供すること。
• グラフのエッジ集合にサポートを持つ逆分散共分散行列上の確率測度を構成し、モンテカルロサンプリングに有用な形で提供すること。

提案手法

• LničkaとMatúšの構成的手法を拡張し、GGM-マークフィアンガウス分布の集合を完全にパrametrizationすること。
• 正定値行列とエッジ固有のパラメータを用いた新規なパrametrizationを導入し、マークフィアン適合性を保証すること。
• 置換に基づくサイクル分解を用いて、分散共分散行列の構造を分析し、完璧性が失敗する条件を同定すること。
• 測度論的議論を用いて、不完全な分布の集合がLebesgue測度ゼロであることを示し、ほぼすべてのGGMが完璧であることを裏付ける。
• 同相写像を用いてノルム集合を保存し、押し出し測度の絶対連続性を証明すること。
• グラフのエッジ集合に制限されたサポートを持つ逆分散共分散行列上の確率測度を導出し、MCMCアルゴリズムにおける提案分布として利用可能にする。

実験結果

リサーチクエスチョン

• RQ1 ほぼすべてのガウス型グラフィカルモデルは完璧であるか。すなわち、確率分布における条件付き独立性がグラフ上の分離と正確に一致するか。
• RQ2 GGMの直接的で透明なパrametrizationを構築可能か。これにより、間接的なチェーングラフ手法と比較して、完璧性の証明が簡略化されるか。
• RQ3 GGMにおける不完全な分散共分散行列の集合の構造は何か。また、これをノルム集合として特徴づけられるか。
• RQ4 逆分散共分散行列上の確率測度を、グラフのエッジ構造を尊重する形で構成可能か。シミュレーションに応用可能か。

主な発見

• ほぼすべてのガウス型グラフィカルモデルは完璧であり、確率分布における条件付き独立性の記述が、グラフ上の分離記述と一対一に対応する。
• 不完全な分散共分散行列の集合はLebesgueノルム集合をなし、GGMにおける完璧性が一般的であることを裏付ける。
• LničkaとMatúšの研究を拡張し、GGM-マークフィアン分布のための新規で直接的なパrametrizationが開発された。
• 本稿では、グラフのエッジ集合にサポートを持つ逆分散共分散行列上の確率測度が構成され、モンテカルロ法における提案分布として利用可能である。
• 証明技法により、不完全な分布のノルム集合の構成的記述が得られ、モデリングおよび推定における直感的理解が向上する。
• 測度論的議論により、パrametrization写像によるLebesgue測度の押し出し測度が絶対連続であることが確認され、一般的完璧性が保証される。