[논문 리뷰] Additive Models for Symmetric Positive-Definite Matrices, Riemannian Manifolds and Lie groups

Zhenhua Lin, Hans‐Georg Müller외 1명|arXiv (Cornell University)|2020. 09. 18.

Advanced Neuroimaging Techniques and Applications참고 문헌 29인용 수 4

한 줄 요약

이 논문은 대칭 양의 정부호(SPD) 행렬을 반응 변수로 사용하는 새로운 덧셈 회귀 모델을 제안한다. 이 모델은 리만 다양체의 기하학적 구조를 활용하여 비선형적인 SPD 공간을 선형 탄성 공간으로 변환한다. 특히 로그-콜레스키 및 로그-유클리드 거리 척도를 사용하여 이를 달성한다. 이 방법은 매끄러운 백피팅(smooth backfitting)을 통해 효율적인 추정을 가능하게 하며, 구성 요소 함수 추정에 대해 최적의 수렴 속도 $O_P(n^{-4/5})$를 달성하고, 점근 정규성을 확립한다. 이는 고차원 예측자 설정에서 전체 비모수적 방법보다 성능이 뛰어나다.

ABSTRACT

In this paper an additive regression model for a symmetric positive-definite matrix valued response and multiple scalar predictors is proposed. The model exploits the abelian group structure inherited from either the Log-Cholesky metric or the Log-Euclidean framework that turns the space of symmetric positive-definite matrices into a Riemannian manifold and further a bi-invariant Lie group. The additive model for responses in the space of symmetric positive-definite matrices with either of these metrics is shown to connect to an additive model on a tangent space. This connection not only entails an efficient algorithm to estimate the component functions but also allows to generalize the proposed additive model to general Riemannian manifolds that might not have a Lie group structure. Optimal asymptotic convergence rates and normality of the estimated component functions are also established. Numerical studies show that the proposed model enjoys superior numerical performance, especially when there are multiple predictors. The practical merits of the proposed model are demonstrated by analyzing diffusion tensor brain imaging data.

연구 동기 및 목표

• 고차원 예측자 설정에서 대칭 양의 정부호(SPD) 행렬을 반응 변수로 사용하는 덧셈 회귀 모델의 부족을 보완하기 위해.
• SPD 데이터에 대한 지역 다항 회귀와 같은 전체 비모수적 방법에서 기인하는 차원의 저주를 극복하기 위해.
• 리만 기하학을 통해 SPD 값의 덧셈 모델이 탄성 공간의 덧셈 모델과 연결되는 이론적으로 탄탄한 프레임워크를 구축하기 위해.
• 군의 구조와 척도를 활용하여, 리만 다양체의 일반화된 범주로 이 모델을 확장하기 위해.
• 특히 신경과학 분야에서의 실용적 유용성을 입증하기 위해, 산란 토너스 영상(DTI) 데이터에 적용하기 위해.

제안 방법

• 모델은 SPD 다양체를 아벨 군과 양측 불변 리 군 구조를 갖는 리만 다양체로 매핑하기 위해 로그-콜레스키 또는 로그-유클리드 척도를 사용한다.
• 반응 변수인 SPD 행렬을 평균 행렬의 탄성 공간으로 로그 매핑(logarithmic map)을 통해 변환함으로써 선형 공간에서 덧셈 모델링을 가능하게 한다.
• 구성 요소 함수는 제약 조건을 통해 식별 가능성을 확보하면서도 변환된 탄성 공간의 반응에 대해 매끄러운 백피팅을 통해 추정한다.
• 유사 이동(Parallel transport)을 사용하여 추정된 함수를 원래 다양체로 다시 매핑함으로써 기하학적 일致성을 유지한다.
• 힐버트 공간 값을 갖는 덧셈 모델의 프레임워크(Jeon and Park, 2020)를 리만 다양체의 탄성 공간에 적응하여 활용한다.
• 기하학적 이론는 기능적 중심극한정리(functional central limit theorems)를 기반으로 하며, 설계와 오차 구조에 대한 규칙성 조건 하에서 수렴 속도를 도출한다.

실험 결과

연구 질문

• RQ1 고차원 예측자 설정에서 덧셈 회귀를 대칭 양의 정부호 행렬을 반응 변수로 사용하는 데 효과적으로 확장할 수 있는가?
• RQ2 특히 리만 다양체와 리 군 성질을 갖는 SPD 다양체의 기하학적 구조를 어떻게 활용하여 효율적이고 비모수적인 추정을 가능하게 할 수 있는가?
• RQ3 이 설정에서 추정된 구성 요소 함수의 최적 수렴 속도와 점근 분포 성질은 무엇인가?
• RQ4 이러한 방법을 리 군 구조가 없는 일반적인 리만 다양체로 일반화할 수 있는가?
• RQ5 실제로 존재하는 신경영상 데이터에 대해 기존의 비모수적 회귀 방법과 비교하여 이 모델은 실용적으로 어떻게 성능을 발휘하는가?

주요 결과

• 제안된 덧셈 모델은 로그-콜레스키 또는 로그-유클리드 척도 하에서 구성 요소 함수 추정에 대해 최적의 수렴 속도 $O_P(n^{-4/5})$를 달성한다.
• 추정된 구성 요소 함수에 대해 점근 정규성을 확보하며, 적절한 대역폭 스케일링 하에서 복합 정규분포로 수렴한다.
• 특히 다수의 예측자가 존재할 경우 고차원 예측자 설정에서 전체 비모수적 회귀 방법보다 성능이 뛰어나다.
• 로그 매핑을 통한 탄성 공간으로의 변환은 효율적인 매끄러운 백피팅을 가능하게 하여 계산 복잡도를 감소시키고 수치적 안정성을 향상시킨다.
• 리 군 구조가 없는 일반적인 리만 다양체에 대해서도 탄성 공간 연결을 활용하여 이론적 보장을 확장할 수 있다.
• 수치 실험과 알츠하이머병 신경영상 이니셔티브(ADNI)의 DTI 데이터에 대한 응용을 통해 뛰어난 성능과 신경과학 분야에서의 실용적 관련성을 확인한다.