[論文レビュー] Scalar-on-Image Regression via the Soft-Thresholded Gaussian Process

Jian Kang, Brian J. Reich+1 more|arXiv (Cornell University)|Apr 12, 2016

Statistical Methods and Inference参考文献 19被引用数 3

ひとこと要約

本稿では、スカラー・オン・イメージ回帰のためのソフトスレッショルド付きガウス過程を提案し、スパarsity、ピecewise smoothness、および活性領域と非活性領域間の連続的遷移を実現する空間的に変化する係数推定を可能にする。低ランク空間モデルと効率的なベイズ計算を用いることで、真の予測子の数が標本サイズを上回る場合でさえも、パrameter推定および変数選択の両方において事後一致性を達成する。

ABSTRACT

The focus of this work is on spatial variable selection for scalar-on-image regression. We propose a new class of Bayesian nonparametric models, soft-thresholded Gaussian processes and develop the efficient posterior computation algorithms. Theoretically, soft-thresholded Gaussian processes provide large prior support for the spatially varying coefficients that enjoy piecewise smoothness, sparsity and continuity, characterizing the important features of imaging data. Also, under some mild regularity conditions, the soft-thresholded Gaussian process leads to the posterior consistency for both parameter estimation and variable selection for scalar-on-image regression, even when the number of true predictors is larger than the sample size. The proposed method is illustrated via simulations, compared numerically with existing alternatives and applied to Electroencephalography (EEG) study of alcoholism.

研究の動機と目的

• スカラ・オン・イメージ回帰において、大多数のボクセルが関連のない高次元かつ空間相関のある画像予測子の課題に対処する。
• スパarsityと滑らかさのための分離された事前分布を用いる従来の手法の限界を克服し、活性領域と非活性領域間の急激な遷移を避ける。
• ゼロと非ゼロの係数領域間の滑らかな遷移を保証する統一されたベイズ非パラメトリック枠組みを構築する。これは神経画像法的効果を現実的に反映する。
• 真の予測子の数が標本サイズを上回る場合でも、ややきつい正則性条件のもとで、係数推定および変数選択の両方における理論的事後一致性を確立する。
• 潜在ガウス過程の低ランク空間モデルを用いることで、大規模な画像データセットにおけるスケーラブルな推論を可能にする。

提案手法

• 空間的に変化する回帰係数を、潜在ガウス過程のソフトスレッショルド変換でモデル化し、ソフトスレッショルドがスパarsityと連続的遷移を誘発する。
• 潜在ガウス過程の低ランク表現を用いることで、大規模な画像データセットにおける計算スケーラビリティを確保する。
• ソフトスレッショルド付きガウス過程を $ \beta(s) = \text{sign}(\eta(s)) \cdot \max(0, |\eta(s)| - \lambda) $ として定義する。ここで $ \eta(s) $ は潜在GP、$ \lambda $ はスレッショルドパラメータである。
• スレッショルドレベルの自動選択を可能にするために $ \lambda $ に階層的事前分布を割り当て、データ駆動型のスパarsityを実現する。
• 潜在過程とハイパーパrameterのブロック更新を用いたメトロポリス・ハスティングスアルゴリズムを採用し、効率的な事後計算を実現する。
• 潜在過程の次元を低ランク構造を活用して低減することで、高次元画像データに対するMCMCサンプリングの実行可能性を高める。

実験結果

リサーチクエスチョン

• RQ1 統一されたベイズ非パラメトリックモデルは、スカラー・オン・イメージ回帰における空間的に変化する係数に対して、スパarsityと滑らかさの両方を達成できるか？
• RQ2 ソフトスレッショルド付きガウス過程は、活性領域と非活性領域間の急激な遷移を示すモデルと比較して、脳活動パターンをより現実的に表現できるか？
• RQ3 どのような正則性条件下で、係数関数の事後分布が真の関数の周囲に集中し、事後一致性が保証されるか？
• RQ4 真の予測子の数が標本サイズを上回る場合でも、本手法はパrameter推定および変数選択の両方において事後一致性を達成できるか？
• RQ5 シミュレーションおよび実際のEEGデータにおいて、既存の代替手法と比較して、変数選択の正確性と推定効率の点で本手法はどのように性能を発揮するか？

主な発見

• ソフトスレッショルド付きガウス過程は、ピースワイズに滑らかで、スパースかつ連続的な係数関数の広い事前サポートを提供し、画像データの主要な特徴を捉える。
• 真の予測子の数が標本サイズを上回る場合でも、ややきつい正則性条件下で、パrameter推定および変数選択の両方における事後一致性が確立された。
• 本手法はゼロと非ゼロの係数領域間で滑らかな遷移を実現し、スパarsityと滑らかさのための分離された事前分布を用いるモデルで見られる急激な変化を回避する。
• 潜在GPの低ランク近似により、スケーラブルな計算が可能となり、大規模な画像データセットへの適用が可能になる。
• 数値比較では、特に空間的構造を持つ効果の回復において、既存の代替手法を上回る性能を示した。
• アルコール症のEEG研究への応用では、疾患に関連する生物学的に妥当な脳活動パターンが得られ、安定的かつ解釈可能な変数選択結果が得られた。