[論文レビュー] Post-Regularization Inference for Dynamic Nonparanormal Graphical Models

Junwei Lu, Mladen Kolar+1 more|arXiv (Cornell University)|Dec 28, 2015

Functional Brain Connectivity Studies参考文献 77被引用数 4

ひとこと要約

本稿は、時間的に変化する潜在的ネットワーク構造を捉える高次元で裾が重たいシステムのための動的非正規化グラフィカルモデルを導入する。最小信号強度やモデル選択の正確さを要件としない、バイアス補正を必要としないカーネルスムージング付きケンドールの順位相関係数推定量を提案し、インデックス値とバンド幅の両方に一様に一貫した逆ピアソン相関行列の推定を可能にし、最小信号強度の要件なしに、高次元での頑健な推論を実現する。

ABSTRACT

We propose a novel class of dynamic nonparanormal graphical models, which allows us to model high dimensional heavy-tailed systems and the evolution of their latent network structures. Under this model we develop statistical tests for presence of edges both locally at a fixed index value and globally over a range of values. The tests are developed for a high-dimensional regime, are robust to model selection mistakes and do not require commonly assumed minimum signal strength. The testing procedures are based on a high dimensional, debiasing-free moment estimator, which uses a novel kernel smoothed Kendall's tau correlation matrix as an input statistic. The estimator consistently estimates the latent inverse Pearson correlation matrix uniformly in both index variable and kernel bandwidth. Its rate of convergence is shown to be minimax optimal. Thorough numerical simulations and an application to a neural imaging dataset support the usefulness of our method.

研究の動機と目的

• 時間的に変化する潜在的ネットワーク構造を有する高次元で重たい尾を持つシステムをモデル化すること。
• 最小信号強度を要件としない、固定インデックス値における局所的および範囲全体におけるグローバルなエッジ存在の統計的仮説検定を実現すること。
• 高次元設定においてモデル選択誤差に対して頑健であることを保証すること。
• インデックスおよびバンド幅の両方に一様に収束する、潜在的逆ピアソン相関行列の一貫した推定量を構築すること。
• バイアス補正手順を必要としない高次元推定におけるミニマックス最適収束レートを達成すること。

提案手法

• 高次元推定のための入力統計量として、カーネルスムージング付きケンドールの順位相関行列を用いる。
• 潜在的逆ピアソン相関行列を推定する、バイアス補正を要しないモーメント推定量を提案する。
• インデックス変数およびカーネルバンド幅の両方に一様収束を確保することで、時間的要因およびスムージングパラメータの変動に対しても安定性を実現する。
• 高次元漸近的枠組み下で、推定量のミニマックス最適収束レートを導出する。
• 推定量に基づくエッジ存在のための統計的仮説検定を構築し、高次元状態でも有効であることを保証する。
• パラメトリックな仮定を必要とせず、重たい尾を持つ分布に対応できる非パラメトリック相関推定に依存する。

実験結果

リサーチクエスチョン

• RQ1 高次元的で動的かつ非正規化された設定下で、逆ピアソン相関行列を一貫して推定することは可能か？
• RQ2 最小信号強度を要件としないで、時間的に変化するネットワークにおけるエッジ存在の有効な統計的推論は可能か？
• RQ3 モデル選択が誤っていても有効なままの頑健な仮説検定を構築することは可能か？
• RQ4 この動的かつ非正規化されたフレームワーク下で、逆相関行列推定の最適収束レートは何か？
• RQ5 カーネルスムージング付きケンドールの順位相関係数推定量は、一様性および頑健性の観点で、従来の手法と比較してどのように異なるか？

主な発見

• 提案された推定量は、インデックス変数およびカーネルバンド幅の両方に一様に一貫性を示す。
• 推定量の収束レートはミニマックス最適であり、高次元設定下での理論的効率性を示している。
• エッジ存在のための統計的仮説検定は、モデル選択誤差に対して頑健であり、最小信号強度の閾値を要件としない。
• 本手法は、インデックス範囲全体にわたるエッジ存在の局所的およびグローバルな推論を可能にし、動的ネットワーク解析を支援する。
• 数値シミュレーションおよび神経画像データの応用から、本手法の実世界の高次元データにおける実用的有用性と頑健性が示された。
• カーネルスムージング付きケンドールの順位相関係数を入力とすることで、従来の相関推定量とは異なり、非パラメトリックかつ頑健な代替手法が提供される。