[論文レビュー] The Terminating-Random Experiments Selector: Fast High-Dimensional Variable Selection with False Discovery Rate Control

Jasin Machkour, Michael Muma+1 more|TUbilio (Technical University of Darmstadt)|Oct 12, 2021

Advanced Statistical Process Monitoring被引用数 5

ひとこと要約

T-Rexセレクタは、オリジナルの予測子とダミー予測子を用いた複数回の早期終了型ランダム実験の結果を統合することで、誤り発見率（FDR）を制御する高速でスケーラブルな高次元変数選択手法である。線形計算量の複雑さを有し、有限標本におけるFDR制御が保証されており、最先端の手法を凌駆するFDR制御性能と高速性を達成している。大規模なGWASシミュレーションにおいて、model-X knockoff よりも180倍以上高速でありながら、高い検出力も維持している。

ABSTRACT

We propose the Terminating-Random Experiments (T-Rex) selector, a fast variable selection method for high-dimensional data. The T-Rex selector controls a user-defined target false discovery rate (FDR) while maximizing the number of selected variables. This is achieved by fusing the solutions of multiple early terminated random experiments. The experiments are conducted on a combination of the original predictors and multiple sets of randomly generated dummy predictors. A finite sample proof based on martingale theory for the FDR control property is provided. Numerical simulations confirm that the FDR is controlled at the target level while allowing for high power. We prove that the dummies can be sampled from any univariate probability distribution with finite expectation and variance. The computational complexity of the proposed method is linear in the number of variables. The T-Rex selector outperforms state-of-the-art methods for FDR control in numerical experiments and on a simulated genome-wide association study (GWAS), while its sequential computation time is more than two orders of magnitude lower than that of the strongest benchmark methods. The open source R package TRexSelector containing the implementation of the T-Rex selector is available on CRAN.

研究の動機と目的

• 高次元変数選択における誤り発見率（FDR）を制御する課題、特に全ゲノム関連解析（GWAS）のような大規模なゲノム研究におけるFDR制御を解決すること。
• 既存のFDR制御手法（例：model-X knockoff）が有する計算コストの高さに起因する制限を克服し、数百万の変数にスケーリング可能な計算効率の高い手法を開発すること。
• FDR制御と統計的検出力のバランスを保ちながら、高次元設定において実用的で再現可能な発見を可能にすること。
• knockoff手法とは異なり、予測子の完全な共分散構造を再現する必要がない、保証された有効なFDR制御フレームワークを提供すること。

提案手法

• T-Rexセレクタは、オリジナル予測子とL個のランダムに生成されたダミー予測子が、フォワード選択プロセスにおいて競合するK回の早期終了型ランダム実験を実施する。
• キャリブレーションアルゴリズムを用いて、最適なダミー数（L）、終了閾値（T）、および統合段階での投票閾値を決定し、ターゲット水準でのFDR制御を保証する。
• マーティングール理論を活用することで、低次元（p ≤ n）および高次元（p > n）の両設定において、有限標本におけるFDR制御の証明が可能である。
• ダミー予測子は、有限の平均と分散を持つ任意の単変量分布から抽出され、オリジナル予測子の共分散構造を一致させる必要がない。
• 最終的な選択は、K回の実験における選択頻度に応じた投票メカニズムによって決定され、十分な回数に選択された変数が保持される。
• 本手法は、CRANに公開されたオープンソースのRパッケージ TRexSelector として実装されており、並列処理をサポートすることでさらなる高速化が可能である。

実験結果

リサーチクエスチョン

• RQ1 ダミー変数の共分散構造を正確に再現する必要がない状況でも、有限標本におけるFDR制御が保証される変数選択手法は、高次元設定で実現可能か？
• RQ2 大規模な変数選択において、FDR制御を維持しながら統計的検出力を最大化し、計算コストを最小限に抑える方法は何か？
• RQ3 弱い相関構造（例：AR(1)過程）を有する多様な依存構造に対しても、FDR制御を維持できるスケーラブルなフレームワークは設計可能か？
• RQ4 単純なダミー変数を用いた早期終了型ランダム実験により、FDR制御手法の計算負荷はどの程度軽減可能か？
• RQ5 提案手法は、実世界のGWASデータにおいて、model-X knockoff よりもFDR制御性能と実行時間の両面で優れているか？

主な発見

• T-Rexセレクタは、マーティングール理論に基づく有限標本におけるFDR制御を保証しており、低次元（p ≤ n）および高次元（p > n）の両設定で有効である。
• ダミー変数が有限の平均と分散を持つ任意の単変量分布から抽出されても、FDR制御が達成可能であり、共分散一致を要する手法と比較して著しく計算負荷が低減される。
• T-Rexセレクタの計算複雑度は変数数に比例する線形であるため、数百万の予測子へのスケーリングが可能である。
• 20,000個のSNPを含むGWASのシミュレーションでは、T-Rexセレクタはターゲット5％のFDRを維持しながら80％の真正陽性率（TPR）を達成し、パワーとFDR制御の両面でベンチマーク手法を上回った。
• 20,000変数におけるT-Rexセレクタの逐次実行時間は4分であったのに対し、model-X knockoff では12.5時間以上を要し、183倍の高速化が達成された。
• 本手法は並列処理が可能であるため、マルチコア環境でさらなる高速化が可能であり、バイオメディスン分野における大規模な再現性研究に適している。