[論文レビュー] Time-dependent spatially varying graphical models, with application to brain fMRI data analysis

Kristjan Greenewald, Seyoung Park+2 more|arXiv (Cornell University)|Nov 10, 2017

Morphological variations and asymmetry参考文献 18被引用数 7

ひとこと要約

本稿では、高次元時空間データに対して、時間依存する非パrametric的空間的に変化するグラフィカルモデルを提案し、ℓ1正則化推定を用いて脳fMRIデータにおける変化するグラフィカル構造を回復する。時変分散共分散行列に滑らかさの仮定をおくと、時間的および空間的グラフィカルモデルの両方において強い単一標本収束が達成され、動的脳結合ネットワークの信頼性の高い推論が可能になる。

ABSTRACT

In this work, we present an additive model for space-time data that splits the data into a temporally correlated component and a spatially correlated component. We model the spatially correlated portion using a time-varying Gaussian graphical model. Under assumptions on the smoothness of changes in covariance matrices, we derive strong single sample convergence results, confirming our ability to estimate meaningful graphical structures as they evolve over time. We apply our methodology to the discovery of time-varying spatial structures in human brain fMRI signals.

研究の動機と目的

• 限られた標本数のもとで、高次元時空間データにおける時間依存的グラフィカル構造を推定する非パrametricフレームワークの開発を目的とする。
• 時系列的および空間的依存性を行列変量データの分解を通じてモデル化し、共分散を時間的（A）および空間的（B(t)）成分の加法的構造に分解する。
• 滑らかな時間依存的空間的構造のもとで、共分散および精度行列推定に対する理論的保証を確立する。
• 人間の脳fMRIデータにこの手法を適用し、動的機能的結合ネットワークを同定することを目的とする。
• 従来の静的グラフィカルモデルの研究を、観測値が従属的でi.i.d.でない状況における時間依存設定に拡張することを目的とする。

提案手法

• 時空間データを行列変量正規分布でモデル化し、加法的共分散構造をとる：Cov(vec(X)) = A ⊗ I_n + Σ_i (e_i e_i^T) ⊗ B(i/m)。
• 時間的（A⁻¹）および空間的（B(t)⁻¹）成分のスパース精度行列を回復するために、ℓ1正則化推定（例：グラフィカルラasso）を用いる。
• 各時刻tにおけるB(t)の推定にカーネルスムージングを適用し、バンド幅hとB(t)の滑らかさによってバイアスを制御する。
• 集中不等式（Hanson-Wright）と和集合不等式を用いて、推定共分散行列の高確率誤差境界を導出する。
• サブガウス仮定と有界スペクトルノルムのもとで、オペレータノルムおよびフロベニウスノルムにおけるAおよびB(t)の収束速度を導出する。
• ベクトル化と重み付き内積を用いて、A_ijの推定誤差をw^T vec(S)で上界で抑え、wは空間的位置の平均化を目的に選択される。

実験結果

リサーチクエスチョン

• RQ1 時間依存的共分散行列が時間とともに滑らかに変化する場合、高次元時空間データにおける時間依存的グラフィカルモデルを一貫して推定できるか？
• RQ2 時間的および空間的グラフィカルモデルの推定誤差は、標本サイズと次元数にどのように依存するか？
• RQ3 滑らかさおよびサブガウス仮定のもとで、推定精度行列の収束に対する理論的保証はどのようなものか？
• RQ4 高次元かつ標本数が限られたfMRIデータから、提案手法は意味のある動的脳結合パターンを回復できるか？
• RQ5 加法的共分散分解（A ⊗ I + Σ e_i e_i^T ⊗ B(t)）は、Kroneckerベースのモデルと比較して、柔軟性および推定精度の点で優れているか？

主な発見

• 時間依存的共分散行列に滑らかさの仮定をおくと、時間的および空間的グラフィカルモデルの両方において強い単一標本収束が達成される。
• 有界スペクトルノルムおよびサブガウス性のもとで、時間的共分散行列Aの推定誤差は高確率でO(√(log m / n))で抑えられる。
• カーネルスムージングによるB(t)の推定におけるバイアスはO(h + 1/(m²h⁵))であり、最適なバンド幅hがバイアスと分散のバランスをとる。
• AおよびB(t)のフロベニウスノルムおよびオペレータノルム誤差は、nおよびmに依存する収束速度を示し、集中不等式を用いて高確率境界が導出された。
• 理論的結果により、nおよびmが大きくかつ標本数が限られた状況でも、変化するグラフィカル構造を信頼性高く推定可能であることが確認された。
• fMRIデータへの実験的応用により、既知の機能的ネットワークダイナミクスと整合する時間依存的脳結合パターンが明らかになった。