[論文レビュー] The Nonparanormal SKEPTIC

Han Liu, Fang Han+3 more|arXiv (Cornell University)|Jun 27, 2012

Statistical Methods and Inference参考文献 11被引用数 22

ひとこと要約

この論文は、スピークマンのrhoやケンドールのtauのような順位ベースの相関推定法を用いる、高次元の無向グラフィカルモデル推定のための半パラメトリック手法「ノンパラノーマル・スケプティック」を紹介する。この手法は、グラフおよびパラメータ推定において最適なパラメトリック収束速度を達成しており、データが真に正規分布に従う場合でさえも、ガウス・グラフィカル・モデルの代替として頑健である。

ABSTRACT

We propose a semiparametric approach, named nonparanormal skeptic, for estimating high dimensional undirected graphical models. In terms of modeling, we consider the nonparanormal family proposed by Liu et al (2009). In terms of estimation, we exploit nonparametric rank-based correlation coefficient estimators including the Spearman's rho and Kendall's tau. In high dimensional settings, we prove that the nonparanormal skeptic achieves the optimal parametric rate of convergence in both graph and parameter estimation. This result suggests that the nonparanormal graphical models are a safe replacement of the Gaussian graphical models, even when the data are Gaussian.

研究の動機と目的

• ガウス分布を仮定しない、頑健な高次元の無向グラフィカル・モデル推定器を開発すること。
• ガウス・グラフィカル・モデルの代替として、より柔軟な半パラメトリックな手法を提供し、最適な推定速度を維持すること。
• スピークマンのrho、ケンドールのtauなどの非パラメトリックな順位ベースの相関推定法を活用して、推定の頑健性を向上させること。
• ノンパラノーマル・モデルのもとで、高次元設定におけるこの手法の理論的最適性を確立すること。
• 真の分布が正規分布である場合でも、この手法がパラメトリックな収束速度を達成することを示すこと。

提案手法

• 手法は、確率変数が未知の単調関数によって変換され、多変量正規性が得られるノンパラノーマル族内で動作する。
• 依存構造の推定に、パラメトリックなピアソン相関ではなく、順位ベースの相関推定法（スピークマンのrho、ケンドールのtau）を用いる。
• グラフィカル・モデルの構造は、順位ベースの相関行列のしきい値処理と、その後の条件付き独立性検定によって回復される。
• 理論的分析により、この手法がグラフおよびパrameter推定において最適なパラメトリック収束速度を達成することが示された。
• このアプローチは二重に頑健である：正規性のもとでは効率的であり、非正規性のもとでは頑健である。
• スparserな精度行列推定を介して、計算が効率的かつ高次元設定にスケーラブルである。

実験結果

リサーチクエスチョン

• RQ1 順位ベースの相関を用いる半パラメトリック手法は、高次元グラフィカル・モデルにおいて最適なパラメトリック収束速度を達成できるか？
• RQ2 データが実際に正規分布に従う場合、ノンパラノーマル・スケプティックはガウス・グラフィカル・モデルよりもどのように性能を発揮するか？
• RQ3 非パラメトリックな順位推定法を用いることで、高次元の依存構造推定における頑健性はどの程度向上するか？
• RQ4 ノンパラノーマル・モデルの仮定のもとで、この手法は理論的最適性を維持するか？
• RQ5 この手法は非正規性に対して頑健でありながら、正規性のもとで効率的であると同時に、両方の性質を併せ持てるか？

主な発見

• ノンパラノーマル・スケプティックは、ノンパラノーマル・モデルのもとで、グラフおよびパrameter推定において最適なパラメトリック収束速度を達成する。
• 真の分布が多変量正規分布であっても、この手法は最適な収束速度を維持しており、従来のガウス・グラフィカル・モデルよりも頑健性において優れている。
• スピークマンのrhoやケンドールのtauのような順位ベースの相関推定法が、ノンパラノーマル族のもとで最適な推定を達成するために十分であることが示された。
• 理論的分析により、この手法が正規性からの逸脱に対して頑健である一方で、正規性のもとでも効率的であることが確認された。
• このアプローチにより、次元数に対して標本サイズが増加する高次元設定でも、一貫したグラフ回復とパrameter推定が可能である。
• 実務において、ガウス・グラフィカル・モデルの安全で理論的に裏付けられた代替手段を提供する。