[논문 리뷰] D-GCCA: Decomposition-based Generalized Canonical Correlation Analysis for Multiple High-dimensional Datasets

Hai Shu, Zhe Qu외 1명|arXiv (Cornell University)|2020. 01. 09.

Gene expression and cancer classification참고 문헌 52인용 수 4

한 줄 요약

D-GCCA는 고차원 데이터셋 간의 공통적이고 고유한 변동성을 정규분포 공간의 직교 잠재요인을 통해 분리함으로써 다중오미크스 데이터를 모델링하는 새로운 분해 기반 일반화된 공분산 분석을 제안한다. 이는 일관되고 폐쇄형 추정기법을 제공하며 유한표본 성능이 뛰어나고 계산이 효율하여 시뮬레이션과 실제 데이터에서 최신 기법들을 능가한다.

ABSTRACT

Modern biomedical studies often collect multiple types of high-dimensional data on a common set of objects. A popular model for the joint analysis of multi-type datasets decomposes each data matrix into a low-rank common-variation matrix generated by latent factors shared across all datasets, a low-rank distinctive-variation matrix corresponding to each dataset, and an additive noise matrix. We propose decomposition-based generalized canonical correlation analysis (D-GCCA), a novel decomposition method that appropriately defines those matrices on the L2 space of random variables, whereas most existing methods are developed on its approximation, the Euclidean dot product space. Moreover to well calibrate common latent factors, we impose a desirable orthogonality constraint on distinctive latent factors. Existing methods inadequately consider such orthogonality and can thus suffer from substantial loss of undetected common variation. Our D-GCCA takes one step further than GCCA by separating common and distinctive variations among canonical variables, and enjoys an appealing interpretation from the perspective of principal component analysis. Consistent estimators of our common-variation and distinctive-variation matrices are established with good finite-sample numerical performance, and have closed-form expressions leading to efficient computation especially for large-scale datasets. The superiority of D-GCCA over state-of-the-art methods is also corroborated in simulations and real-world data examples.

연구 동기 및 목표

• 유한한 유클리드 내적 공간에서 작동하는 기존 기법의 한계를 해결하기 위해 실제 랜덤 변수의 L2 공간에서 작동하도록 하는 것.
• 고유한 변동성 성분에 대해 직교 제약 조건을 도입하여 공통 잠재요인의 탐지 능력을 향상시키는 것.
• 다중 고차원 데이터셋을 공통, 고유, 노이즈 성분으로 원칙적으로 분해하는 것.
• 공통 및 고유 변동성 행렬에 대해 일관되고 폐쇄형 추정기법을 개발하여 대규모 데이터에 대해 계산 효율성을 확보하는 것.
• 분해 과정에서 주성분 분석 원리와 연계함으로써 더 해석 가능한 프레임워크를 제공하는 것.

제안 방법

• 랜덤 변수의 L2 공간 내에서 다중 고차원 데이터셋의 동시 분석을 수립하여 통계적 엄밀성을 확보한다.
• 각 데이터 행렬을 세 성분으로 분해한다: 다중 데이터셋 간에 공유되는 저질서 공통변동성 행렬, 각 데이터셋 별로 고유한 저질서 고유변동성 행렬, 그리고 덧셈 노이즈 행렬.
• 고유 잠재요인에 대해 직교 제약 조건을 도입하여 공통 변동성의 유출을 방지하고 추정 정확도를 향상시킨다.
• L2 프레임워크 내에서 스펙트럼 분해를 사용하여 공통 및 고유 변동성 행렬에 대한 일관된 추정기법을 유도한다.
• 분해 성분에 대해 폐쇄형 해를 활용하여 대규모 데이터셋에서도 효율적인 계산을 가능하게 한다.
• 일반화된 공분산 분석(GCCA)을 확장하여 캐리케이터 변수를 공통 및 고유 변동성 원천으로 명시적으로 분리한다.

실험 결과

연구 질문

• RQ1 랜덤 변수의 L2 공간에서의 분해 기반 방법이 유클리드 공간 근사치에 비해 다중오미크스 데이터의 공통 및 고유 변동성 추정에 있어 개선된 성능을 보일 수 있는가?
• RQ2 고유 잠재요인에 대해 직교 제약 조건을 적용할 경우 고차원 데이터셋에서 탐지되지 않은 공통 변동성을 어떻게 영향을 미치는가?
• RQ3 일관성과 계산 효율성을 보장하는 공통 및 고유 변동성 행렬에 대해 폐쇄형 추정기법을 도출할 수 있는가?
• RQ4 D-GCCA는 실제 및 시뮬레이션 다중오미크스 데이터에서의 표본 수 제한 성능과 내성에 대해 최신 기법들과 비교해 어떻게 성능을 냈는가?
• RQ5 제안된 방법이 분해 과정에서 주성분 분석 원리와 일치함으로써 더 해석 가능한 프레임워크를 제공하는가?

주요 결과

• D-GCCA는 L2 공간 프레임워크 하에서 공통 및 고유 변동성 행렬의 일관된 추정을 달성하여 유클리드 근사치에 의존하는 기법들보다 향상된 성능을 보인다.
• 고유 요인에 대한 직교 제약 조건은 탐지되지 않은 공통 변동성의 손실를 크게 감소시켜 탐지 능력을 향상시킨다.
• 이 방법은 효율적인 계산을 보장하는 폐쇄형 추정기법을 제공하며, 특히 대규모 고차원 데이터셋에 유리하다.
• 실증 결과에 따르면 D-GCCA는 시뮬레이션 연구와 실제 다중오미크스 데이터 응용에서 기존 최신 기법들을 능가하는 성능을 보였다.
• 분해 프레임워크는 공통 및 고유 변동성 간의 명확하고 해석 가능한 분리를 제공하며, 주성분 분석의 개념적 기반과 일치한다.