[論文レビュー] Simultaneous Confidence Bands for Functional Data Using the Gaussian Kinematic Formula

Fabian J. E. Telschow, Armin Schwartzman|arXiv (Cornell University)|Jan 18, 2019

Advanced Neuroimaging Techniques and Applications参考文献 58被引用数 23

ひとこと要約

本稿では、t分布に基づくガウス的キネマティック公式（tGKF）を用いて、関数的パラメータの同時信頼帯（SCBs）を構築する新規手法を提案する。この手法は、中心極限定理に依拠することで、非ガウス過程に対しても漸近的に正確な被覆率を達成する。小標本においてはブートストラップに基づく代替手法を上回り、計算が効率的であり、理論的保証と実証的検証が関数的信号＋ノイズモデルおよびDTI線維解析のスケールスペース表面において得られている。

ABSTRACT

This article constructs simultaneous confidence bands (SCBs) for functional parameters using the Gaussian Kinematic formula of $t$-processes (tGKF). Although the tGKF relies on Gaussianity, we show that a central limit theorem (CLT) for the parameter of interest is enough to obtain asymptotically precise covering rates even for non-Gaussian processes. As a proof of concept we study the functional signal-plus-noise model and derive a CLT for an estimator of the Lipschitz-Killing curvatures, the only data dependent quantities in the tGKF SCBs. Extensions to discrete sampling with additive observation noise are discussed using scale space ideas from regression analysis. Here we provide sufficient conditions on the processes and kernels to obtain convergence of the functional scale space surface. The theoretical work is accompanied by a simulation study comparing different methods to construct SCBs for the population mean. We show that the tGKF works well even for small sample sizes and only a Rademacher multiplier-$t$ bootstrap performs similarily well. For larger sample sizes the tGKF often outperforms the bootstrap methods and is computational faster. We apply the method to diffusion tensor imaging (DTI) fibers using a scale space approach for the difference of population means. R code is available in our Rpackage SCBfda.

研究の動機と目的

• 関数データ解析における関数的パラメータの同時信頼帯（SCBs）を構築する信頼性が高く理論的根拠を持つ手法の不足に取り組む。
• ガウス分布の厳密な仮定に依存せず、中心極限定理（CLT）に依拠することで、データがガウス性から逸脱してもSCBsの正確な漸近的被覆率を達成する手法を開発する。
• 滑らかさパラメータの選択に頑健であるように、離散的でノイズの多い観測値を扱うためにスケールスペース表面を導入する。
• tGKFに基づくSCBsの主要なデータ依存量であるリプシッツ・キリング曲率（LKC）の推定に関する理論的裏付けを提供する。
• シミュレーションと拡散テンソル画像（DTI）線維データへの応用を通じて、手法の実用的有用性を示す。

提案手法

• 関数的パラメータのSCBsを構築するために、tプロセスに基づくガウス的キネマティック公式（tGKF）を用い、確率過程の最大値とその分位数に依拠する。
• 連続関数空間における中心極限定理（CLT）を用いて、非ガウス過程下でのtGKFの漸近的妥当性を裏付ける。
• 信号＋ノイズモデルにおける残差からのリプシッツ・キリング曲率（LKC）のプラグイン推定を用いて、SCBsの臨界分位数を推定する。
• 滑らかさスケールの関数として母平均をモデル化することで、離散的でノイズの強い関数的データに対してスケールスペースアプローチを導入し、バンド幅に依存しない安定性を確保する。
• 関数的デルタ法を適用して、推定LKCの漸近的分布を導出し、曲率パラメータに関する推論を可能にする。
• tGKFとブートストラップベースのSCB手法（マルチプライヤー-tおよびブートストラップ-tを含む）を比較するシミュレーションスタディを通じて、手法の妥当性を検証する。

実験結果

リサーチクエスチョン

• RQ1 非ガウス過程下でも、tGKFを用いて関数的パラメータのSCBsを漸近的に正確な被覆率で構築できるか？
• RQ2 小標本設定において、tGKFに基づくSCBはブートストラップベースの手法と比べてどのように性能を発揮するか？
• RQ3 関数的信号＋ノイズモデルにおける推定リプシッツ・キリング曲率（LKC）の一様性および漸近正規性を保証する条件は何か？
• RQ4 スケールスペース表面を用いることで、離散的でノイズの強い関数的データを扱うtGKFを拡張できるか？
• RQ5 推定LKCが一様に収束し、その結果として得られるSCBsが正確な被覆率を維持するための理論的条件は何か？

主な発見

• tGKFに基づくSCBsは、非ガウス過程に対しても漸近的に正確な被覆率を達成し、関数的CLTにのみ依拠する。
• 小標本では、tGKFはラデマッハマルチプライヤー-tブートストラップと同等の性能を示し、いずれも標準のブートストラップ-t手法を被覆精度の面で上回る。
• より大きな標本サイズでは、tGKFはブートストラップ手法を一貫して上回り、計算がはるかに高速である。
• 理論的分析により、プロセスおよびカーネルに関する正則性条件の下で、推定LKCが真の値に一様かつほとんど確実に収束することが確認された。
• 離散的でノイズの強いデータに対するスケールスペースアプローチは、スムージングスケールにわたる母平均推定を安定化させ、理論的収束保証を有する。
• DTI線維データに対する実証的結果は、本手法の実用的有用性を示しており、RパッケージSCBfdaにより実装が容易に提供されている。