[논문 리뷰] Combined Analysis of Amplitude and Phase Variations in Functional Data

Sungwon Lee, Sungkyu Jung|arXiv (Cornell University)|2016. 03. 06.

Time Series Analysis and Forecasting참고 문헌 15인용 수 10

한 줄 요약

이 논문은 기존의 비선형 시간 왜곡 함수와 정렬된 함수를 데이터 적응형 가중치 기반의 통합 방식으로 통합함으로써, 기능적 데이터에서 진폭과 위상 변동을 동시에 모델링하는 기능적 병합 주성분 분석(FCPCA)이라는 새로운 방법을 제안한다. 이 방법은 표준 FPCA 및 정렬된 FPCA보다 더 높은 해석 가능성과 설명력을 갖춘 비선형 변동 모드를 포착하며, 실제 성장 곡선 데이터에서 지연된 청소년기 급성장기와 감소된 성장 속도 크기 간의 핵심 관계를 성공적으로 드러낸다.

ABSTRACT

When functional data manifest amplitude and phase variations, a commonly-employed framework for analyzing them is to take away the phase variation through a function alignment and then to apply standard tools to the aligned functions. A downside of this approach is that the important variations contained in the phases are completely ignored. To combine both of amplitude and phase variations, we propose a variant of principal component analysis (PCA) that captures non-linear components representing the amplitude, phase and their associations simultaneously. The proposed method, which we call functional combined PCA, is aimed to provide more efficient dimension reduction with interpretable components, in particular when the amplitudes and phases are clearly associated. We model principal components by non-linearly combining time-warping functions and aligned functions. A data-adaptive weighting procedure helps our dimension reduction to attain a maximal explaining power of observed functions. We also discuss an application of functional canonical correlation analysis in investigation of the correlation structure between the two variations. We show that for two sets of real data the proposed method provides interpretable major non-linear components, which are not typically found in the usual functional PCA.

연구 동기 및 목표

• 표준 기능적 주성분 분석(FPCA)과 곡선 정렬의 한계, 즉 위상 변동 정보를 忽시하는 문제를 해결하기 위해.
• 진폭과 위상 변동 및 그 상관관계를 동시에 모델링할 수 있는 통합 프레임워크를 개발하기 위해.
• 진폭과 위상이 상관관계가 있을 경우 기능적 데이터 분석에서 차원 축소의 효율성과 해석 가능성 향상을 위해.
• 원래 기능 공간에서 비선형 성분을 시각화하고 해석할 수 있도록 하기 위해.
• 기능적 공선상상관계분석(cca)을 확장하여 진폭과 위상 함수 간의 상관관계를 함께 모델링하기 위해.

제안 방법

• 기능적 데이터를 진폭 함수 $ y_i $ 와 시간 왜곡 함수 $ \gamma_i $ 의 복합함수로 모델링하며, $ f_i = y_i \circ \gamma_i $ 로 표현한다.
• 방향 유지 미분형사상의 군 $ \Gamma $ 를 함수 공간의 볼록 부분집합으로 매핑하는 전단사 함수 $ \phi $ 를 사용하여, 변환된 왜곡 함수 $ x_i = \phi(\gamma_i) $ 에서 선형 연산을 가능하게 한다.
• 변환된 공간에서의 복합 랜덤 벡터 $ (y_i, x_i) $ 에 대해 기능적 주성분 분석을 수행하며, 카르누넨-뢰베 전개를 사용해 정규직교 성분을 추출한다.
• 정렬된 함수 $ \hat{y}_i $ 와 왜곡된 성분 $ \phi(\hat{\gamma}_i) $ 에 데이터 적응형 가중치를 적용하여 원래 기능 공간에서의 설명 분산을 최대화한다.
• 결과로 도출된 주성분을 원래 기능 공간으로 다시 매핑하여 해석 가능한 시각화와 해석을 가능하게 한다.
• 기능적 병합 공선상상관계분석(cca)으로 확장하여 진폭과 위상 함수 간의 최대 상관관계 성분을 탐지한다.

실험 결과

연구 질문

• RQ1 통합된 PCA 프레임워크는 기능적 데이터에서 진폭과 위상 변동 및 그 상관관계를 효과적으로 포착할 수 있는가?
• RQ2 제안된 FCPCA 방법은 표준 FPCA 및 정렬된 데이터에 대한 FPCA에 비해 변동 설명력과 해석 가능성 측면에서 어떻게 비교되는가?
• RQ3 실제 기능적 데이터, 예를 들어 성장 곡선에서 진폭과 위상이 모두 포함된 비선형이고 해석 가능한 변동 모드를 회복할 수 있는가?
• RQ4 데이터 적응형 가중치 기법은 가중치 없이 조합한 경우에 비해 병합 성분의 설명 능력을 향상시키는가?
• RQ5 복잡한 의존성 존재 하에서 기능적 병합 CCA는 진폭과 위상 함수 간에 의미 있는 상관관계를 가지는 구조를 탐지할 수 있는가?

주요 결과

• 버클리 성장 데이터에서 FCPCA는 표준 FPCA 및 정렬된 FPCA가 놓친 지연된 청소년기 급성장기(위상)와 감소된 정점 성장 속도(진폭) 사이의 비선형 상관관계를 성공적으로 포착한다.
• 표본 수 $ n = 30 $ 인 시뮬레이션 데이터에서 첫 두 병합 성분의 추정치는 진짜 인구 고유함수에 매우 가까이 근접하며, $ \hat{C} = 1.44 $ (SD 0.31) 및 $ \hat{\lambda}_1^{\hat{C}} = 4.12 $ (SD 0.26) 로 나타나 표본 크기가 증가함에 따라 인구 값에 수렴한다.
• 추정된 평균 함수와 진짜 평균 함수 간의 $ L_2 $-거리가 $ n = 30 $ 에서 2.89 (SD 1.27) 에서 $ n = 100 $ 에서 2.15 (SD 0.85) 로 감소하여 표본 크기가 증가할수록 추정 정확도 향상을 보였다.
• 기능적 병합 CCA에서 추정된 공선상상관계수 $ \hat{\rho}_1 = 0.68 $ (SD 0.21) at $ n = 30 $ 과 $ 0.72 $ (SD 0.19) at $ n = 100 $ 이며, 진짜 값인 0.8에 수렴함을 보여 추정 성능이 일관되게 유지됨을 시사한다.
• 추정된 가중치 함수 $ \psi_{y,1} $ 와 $ \psi_{x,1} $ 와 진짜 함수 간의 $ L_2 $-거리가 $ n = 30 $ 에서 각각 0.89 (SD 0.31) 과 0.72 (SD 0.28) 에서 $ n = 100 $ 에서 각각 0.43 (SD 0.18) 과 0.55 (SD 0.15) 로 감소하여 추정 정밀도 향상을 나타낸다.
• 제안된 방법은 원래 기능 공간에서 지배적인 비선형 변동 모드를 성공적으로 시각화하여 병합된 진폭-위상 구조를 직접적으로 해석할 수 있도록 한다.