[논문 리뷰] Direct Estimation of Differential Functional Graphical Models

Boxin Zhao, Y. Samuel Wang외 1명|arXiv (Cornell University)|2019. 10. 22.

Bayesian Modeling and Causal Inference인용 수 5

한 줄 요약

이 논문은 고밀도 조건부 독립 구조를 가진 두 개의 기능적 데이터 집단 간의 차이를 직접 추정하는 FuDGE를 제안한다. 이는 개별 그래프를 별도로 추정하지 않고도, EEG 신호와 같은 기능적 데이터 간의 조건부 독립 구조의 차이를 식별할 수 있도록 한다. 이 방법은 기능적 가우스 프로세스 프레임워크 하에서 정밀행렬의 차이에 대한 희박 추정을 활용하여, 개별 그래프가 조밀할 경우에도 일관된 차이 그래프 복원을 달성한다.

ABSTRACT

We consider the problem of estimating the difference between two functional undirected graphical models with shared structures. In many applications, data are naturally regarded as high-dimensional random function vectors rather than multivariate scalars. For example, electroencephalography (EEG) data are more appropriately treated as functions of time. In these problems, not only can the number of functions measured per sample be large, but each function is itself an infinite dimensional object, making estimation of model parameters challenging. We develop a method that directly estimates the difference of graphs, avoiding separate estimation of each graph, and show it is consistent in certain high-dimensional settings. We illustrate finite sample properties of our method through simulation studies. Finally, we apply our method to EEG data to uncover differences in functional brain connectivity between alcoholics and control subjects.

연구 동기 및 목표

• 기능적 데이터가 스칼라 벡터가 아니라 고차원 곡선일 경우 기능 그래픽 모델의 차이를 추정하는 데 도전하는 것.
• 개별 그래프 추정 방식의 한계를 극복하기 위해, 개별 그래프가 조밀하거나 허브 노드를 포함할 경우 실패하는 문제를 해결하는 것.
• 두 기능적 데이터 집단 간의 차등 그래프 구조를 직접 추정하는 방법을 개발하는 것.
• 희박한 차등 구조를 가정할 때 고차원 점근적 설정 하에서 이론적으로 일관성을 확보하는 것.
• 실제 EEG 데이터에 이 방법을 적용하여 알코올 중독 환자와 대조군 간의 연결성 차이를 밝혀내는 것.

제안 방법

• 다변량 가우스 프로세스(MGP) 가정 하에 기능적 데이터의 두 정밀행렬 간의 차이를 추정하는 문제를 수립한다.
• 개별 그래프 추정을 회피하기 위해 직접 차이 행렬 Δ = Θ^X − Θ^Y 를 모델링하는 직접 추정 프레임워크인 기능 차등 그래프 추정(FuDGE)을 제안한다.
• 차이 행렬에 ℓ1형 펜alty를 적용하여 차등 그래프의 희박성을 강제하는 펜라이즈드 우도 접근법을 사용한다.
• 공분산 및 교차공분산 함수를 기저 전개(예: B스플라인)를 통해 표현하는 기능적 데이터 분석 접근법을 활용하고, 이산화된 최적화를 통해 기능 정밀행렬의 차이를 추정한다.
• 기능적 시간점과 변수 쌍 간의 구조적 희박성을 촉진하기 위해 그룹-라소 유사 정규화를 적용한다.
• 차이 행렬이 희박할 경우, 함수의 수 p가 표본 크기와 함께 증가하는 고차원 설정에서 이론적 일관성을 도출한다.

실험 결과

연구 질문

• RQ1 기본적으로 각 그래프를 별도로 추정하지 않고도, 두 기능적 데이터 집단 간의 조건부 독립 구조의 차이를 일관되게 추정할 수 있는가?
• RQ2 개별 그래프가 조밀한 고차원 기능적 데이터에서, 직접적인 차등 그래프 추정이 순차적 추정 방식보다 우수한가?
• RQ3 EEG 데이터를 사용하여 알코올 중독 환자와 대조군 간의 뇌 연결성 패턴의 의미 있는 차이를 탐지할 수 있는가?
• RQ4 기능적 데이터 설정에서 차등 그래프가 고차원 점근적 조건 하에서 일관되게 복원될 수 있는 이론적 조건은 무엇인가?
• RQ5 AIC/BIC 또는 다중 그래프 추정과 같은 대안적 방법과 비교할 때, 유한 표본에서 이 방법의 성능은 어떠한가?

주요 결과

• 모델1에서 시뮬레이션 연구에서 FuDGE는 p=30일 때 평균 AUC 0.99를 기록하며 AIC, BIC 및 다중 그래프 추정 전략보다 뚜렷이 뛰어난 성능을 보였다.
• 개별 그래프가 조밀한 모델2에서는 FuDGE가 p=30일 때 AUC ≈ 0.90을 유지하며, AIC와 BIC는 실패하여 AUC ≈ 0.5를 기록함으로써 조밀한 기반 그래프에 대한 강건성을 확인했다.
• 모델3에서는 p=90일 때 FuDGE의 AUC > 0.74를 유지하였고, AIC와 BIC는 여전히 0.5에 머물렀다. 이는 희박한 차등 구조 탐지에서의 우월성을 보여주었다.
• 다중 그래프 추정이 효과적인 상황에서도 FuDGE는 경쟁적인 성능( p=120일 때 AUC 0.94)을 보였으며, 다양한 설정에 유연함을 보였다.
• 실제 EEG 데이터에서 FuDGE는 알코올 중독 환자와 대조군 간의 기능적 뇌 연결성의 유의미한 차이를 성공적으로 식별하였고, 전두엽 및 측두엽 영역에서 변화된 연결성 패턴을 드러냈다.
• 이론적 분석을 통해 차이 행렬이 희박할 경우, 고차원 점근적 설정 하에서 FuDGE가 진짜 차등 그래프를 일관되게 복원함을 확인했다.