[논문 리뷰] Associating High-Dimensional Longitudinal Datasets through an Efficient Cross-Covariance Decomposition

Jianbin Tan, Pixu Shi|arXiv (Cornell University)|2026. 01. 19.

Single-cell and spatial transcriptomics인용 수 0

한 줄 요약

FACD는 데이터 적응 기반 기저 및 SVD를 통해 시계열 데이터의 시간에 따라 변하는 교공분산을 학습하는 고차원 종단 데이터 프레임워크이며, 특성 선택을 위한 희소성과 이론적 보장을 갖추고 있다; 시뮬레이션에서 관련 방법들을 능가하고 종단 연구에서 동적 교오믹 상관관계를 드러낸다.

ABSTRACT

Understanding associations between paired high-dimensional longitudinal datasets is a fundamental yet challenging problem that arises across scientific domains, including longitudinal multi-omic studies. The difficulty stems from the complex, time-varying cross-covariance structure coupled with high dimensionality, which complicates both model formulation and statistical estimation. To address these challenges, we propose a new framework, termed Functional-Aggregated Cross-covariance Decomposition (FACD), tailored for canonical cross-covariance analysis between paired high-dimensional longitudinal datasets through a statistically efficient and theoretically grounded procedure. Unlike existing methods that are often limited to low-dimensional data or rely on explicit parametric modeling of temporal dynamics, FACD adaptively learns temporal structure by aggregating signals across features and naturally accommodates variable selection to identify the most relevant features associated across datasets. We establish statistical guarantees for FACD and demonstrate its advantages over existing approaches through extensive simulation studies. Finally, we apply FACD to a longitudinal multi-omic human study, revealing blood molecules with time-varying associations across omic layers during acute exercise.

연구 동기 및 목표

• 쌍으로 이루어진 고차원 종단 데이터 간의 동적 상관관계를 이해해야 하는 필요성에 대한 동기 부여.
• 적응적 기저 확장을 통해 시계열로 변하는 교공분산을 학습하는 통계적으로 효율적인 프레임워크로서 FACD를 도입합니다.
• 두 데이터 세트를 연결하는 핵심 특징을 식별하기 위해 희소성을 incorporate합니다.
• FACD에 대한 이론적 보장을 제시하고 시뮬레이션을 통해 성능을 검증합니다.
• 종단형 다오믹 연구에서 방법을 시연하여 시계열 교오믹 상관관계를 밝힙니다.

제안 방법

• 고차원 함수 데이터에 대한 표준 교공분산 분석을 교공공분산 연산자의 스펙트럼 분해로 형식화합니다.
• 사전에 정의된 기저가 아닌 데이터 적응 기저를 사용하여 함수 기저 확장을 통해 교공분산을 표현합니다.
• R_XY에서 도출된 커널 H_X 및 H_Y로부터 얻은 데이터 적응 기저를 구성하여 고차원 연산자 분해 대신 실용적인 행렬 SVD를 가능하게 하는 Gamma 행렬을 구성합니다.
• 일부 기저 함수의 유한한 집합으로 R_XY를 근사화하고 그 결과 생성된 Gamma 행렬에 대해 행렬 SVD를 해결하는 절삭(트런케이션) 방식의 근사를 적용합니다.
• 제한된 노름을 갖는 비제로 특성 부하량을 선택하고 부하량을 단위 노름으로 제약하는 그룹 라쏘와 유사한 페널티를 사용하여 희소성을 도입합니다.
• 스플라인 기반의 평균 함수와 교공분산 커널의 스무딩 페널티 및 튜닝용 GCV를 사용하여 불규칙하고 희소한 시계열 관측을 처리합니다.

실험 결과

연구 질문

• RQ1 두 고차원 종단 데이터 간의 표준화된 시간 모델에 의존하지 않고도 암묵적인 고정밀 교공분산 구성 요소를 얼마나 강건하게 추정할 수 있는가?
• RQ2 데이터 적응 기저와 트랙터블한 SVD 기반 분해가 고차원에서 시계열 간의 시간에 따라 변하는 상관관계를 정확하게 복원할 수 있는가?
• RQ3 희소성을 도입하면 해석 가능성과 두 데이터 간의 핵심 공유 특징 식별에 어떤 이점이 있는가?
• RQ4 FACD에 대해 존재성, 안정성, 근사 오차 측면에서 어떤 이론적 보장을 확립할 수 있는가?
• RQ5 시뮬레이션 및 실제 종단 다오믹 데이터에서 기존 방법들과 비교하여 FACD의 성능은 어떠한가?

주요 결과

• FACD는 무한 차원 연산자 분해를 유한한 SVD 문제로 축소하는 이론적으로 근거가 있는 프레임워크를 제공한다.
• 고차원 종단 데이터 간의 교공분산은 H_X 및 H_Y 커널에서 추출된 데이터 적응 기저를 통해 표현될 수 있다.
• 트런케이션 기반 근사와 SVD를 결합하면 계산 가능한 표준 부하량과 점수를 얻을 수 있다.
• 희소성 제약을 통해 교다중 데이터 간 상관관계를 이끄는 소수의 특징 하위 세트를 식별할 수 있다.
• 시뮬레이션 연구에서 FACD가 관련 방법들보다 교표 구성요소 회복에 우수한 성능을 보인다.
• 종단형 다오믹 연구에 적용했을 때 FACD는 급성 운동 동안 오믹 층 간의 시간에 따른 연관성 변화를 드러낸다.