[논문 리뷰] Adaptive Inferential Method for Monotone Graph Invariants

Junwei Lu, Matey Neykov외 1명|arXiv (Cornell University)|2017. 07. 28.

Statistical Methods and Inference참고 문헌 62인용 수 5

한 줄 요약

이 논문은 가우시안 그래픽 모델 하에서 단조 그래프 불변량(예: 최대 차수, 연결된 부분그래프 수, 클리크 크기 등)에 대한 중첩된 영가설 검정과 적응형 신뢰구간을 구성하기 위한 새로운 스킵다운 알고리즘을 제안한다. 이 방법은 알려지지 않은 신호 강도에 적응하는 최적의 신뢰구간 길이를 달성하며, 완전한 그래프 복원이 요구하는 조건보다 훨씬 약한 조건으로도 성능을 발휘한다. 본 방법은 시뮬레이션 데이터와 뇌 영상 데이터셋을 통해 검증되었다.

ABSTRACT

We consider the problem of undirected graphical model inference. In many applications, instead of perfectly recovering the unknown graph structure, a more realistic goal is to infer some graph invariants (e.g., the maximum degree, the number of connected subgraphs, the number of isolated nodes). In this paper, we propose a new inferential framework for testing nested multiple hypotheses and constructing confidence intervals of the unknown graph invariants under undirected graphical models. Compared to perfect graph recovery, our methods require significantly weaker conditions. This paper makes two major contributions: (i) Methodologically, for testing nested multiple hypotheses, we propose a skip-down algorithm on the whole family of monotone graph invariants (The invariants which are non-decreasing under addition of edges). We further show that the same skip-down algorithm also provides valid confidence intervals for the targeted graph invariants. (ii) Theoretically, we prove that the length of the obtained confidence intervals are optimal and adaptive to the unknown signal strength. We also prove generic lower bounds for the confidence interval length for various invariants. Numerical results on both synthetic simulations and a brain imaging dataset are provided to illustrate the usefulness of the proposed method.

연구 동기 및 목표

• . 비방향 그래프 모델 하에서 단조 그래프 불변량에 대한 통합적 추론 프레임워크를 개발한다.
• . 최대 차수 및 연결된 구성요소 수와 같은 불변량에 대한 중첩된 영가설에 대해 가족-wise 오류율 제어를 가능하게 한다.
• . 알려지지 않은 신호 강도에 적응하고 길이가 최적인 불변량에 대한 신뢰구간을 구성한다.
• . 기존 그래프 복원 방법이 요구하는 최소 신호 강도 조건을 완화한다.
• . 본 방법의 유용성을 시뮬레이션 데이터와 기능적 뇌망 데이터셋에서 입증한다.

제안 방법

• . 모든 가능한 단조 그래프 불변량 I에 대해 H0k: I ≤ k 를 검정하는 스킵다운 알고리즘을 제안한다.
• . 가우시안 승수 부트스트랩을 사용하여 검정 통계량의 근본 분포를 근사함으로써 타당한 가족-wise 오류율 제어를 달성한다.
• . 3중 교차검증을 통해 CLIME 추정기의 정규화 파라미터를 데이터 기반으로 선택하는 조정 절차를 적용한다.
• . 간 추가 시 불변량의 단조성에 기반하여 뒤로 가는 탐색 전략을 설계함으로써 임계 간 집합을 효율적으로 식별한다.
• . 스킵다운 검정을 역으로 적용하여 유효성과 적응성을 보장하는 신뢰구간을 구성한다.
• . 본 프레임워크를 가우시안 그래프 모델에 적용하고, 지수가족 및 반모수 모델으로의 확장을 논의한다.

실험 결과

연구 질문

• RQ1 . 완전한 그래프 복원이 요구하는 조건보다 약한 조건 하에서 단조 그래프 불변량에 대한 중첩된 영가설 검정을 가족-wise 오류율 제어로 수행할 수 있는가?
• RQ2 . 알려지지 않은 신호 강도에 적응하고 길이가 최적인 단조 그래프 불변량에 대한 신뢰구간을 구성할 수 있는가?
• RQ3 . 최대 차수 및 연결된 구성요소 수와 같은 불변량에 대해 제안된 스킵다운 알고리즘이 기존 방법에 비해 검정력과 구간 너비 측면에서 어떻게 비교되는가?
• RQ4 . 고차원 설정 하에서 다양한 단조 불변량에 대해 신뢰구간 길이의 이론적 하한은 무엇인가?
• RQ5 . 본 방법은 손상되지 않은 스토리 조건과 뒤섞인 단어 조건 간 뇌망 구조의 생물학적으로 의미 있는 차이를 탐지할 수 있는가?

주요 결과

• . 제안된 스킵다운 알고리즘은 알려지지 않은 신호 강도에 적응하는 최적의 길이를 갖는 유효한 신뢰구간을 제공한다.
• . 신뢰구간 길이가 로그 인자까지의 최소최대 최적성(minimax optimality)을 보이며, 임계 신호 강도 임계값은 √(log d / n)의 순서이다.
• . 뇌 영상 응용에서, 손상되지 않은 스토리 조건에서는 뒤섞인 단어 조건에 비해 훨씬 적은 연결된 부분그래프 수와 더 높은 최대 차수를 보였으며, 이는 더 통합된 네트워크 구조를 의미한다.
• . 본 방법은 손상되지 않은 스토리 청취 중 전측 전두피질과 하위전 frontal 구역 간의 강한 결합을 탐지하여 생물학적으로 관련된 연결 패tern을 발견했다.
• . 알고리즘은 손상되지 않은 스토리 네트워크에서 전두엽 중앙부(precuneus)를 고차수 허브로 성공적으로 식별하였으며, 이는 고차원 인지 처리 기능과의 일치성을 보였다.
• . 이론적 하한은 √(log d / n)의 신호 강도가 단조 불변량의 광범위한 클래스에 대해 최적의 추론을 달성하는 데 필수적임을 확인한다.