[논문 리뷰] FuDGE: A Method to Estimate a Functional Differential Graph in a High-Dimensional Setting

Boxin Zhao, Y. Samuel Wang외 1명|arXiv (Cornell University)|2020. 03. 11.

Metabolomics and Mass Spectrometry Studies인용 수 8

한 줄 요약

이 논문은 다변량 함수형 데이터의 두 집단 간 조건부 의존 구조의 차이를 캡처하는 기능적 차분 그래프를 직접 정밀도 연산자 간의 차이를 모델링함으로써 추정하는 FuDGE 방법을 제안한다. 개별 그래프를 추정하지 않고도 고차원 설정에서 이산적으로 관측된 함수형 데이터 조건에서도 희박한 차분 그래프의 일致한 추정을 보장한다.

ABSTRACT

We consider the problem of estimating the difference between two undirected functional graphical models with shared structures. In many applications, data are naturally regarded as a vector of random functions rather than as a vector of scalars. For example, electroencephalography (EEG) data are treated more appropriately as functions of time. In such a problem, 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. This is further complicated by the fact that curves are usually observed only at discrete time points. We first define a functional differential graph that captures the differences between two functional graphical models and formally characterize when the functional differential graph is well defined. We then propose a method, FuDGE, that directly estimates the functional differential graph without first estimating each individual graph. This is particularly beneficial in settings where the individual graphs are dense but the differential graph is sparse. We show that FuDGE consistently estimates the functional differential graph even in a high-dimensional setting for both fully observed and discretely observed function paths. We illustrate the finite sample properties of our method through simulation studies. We also propose a competing method, the Joint Functional Graphical Lasso, which generalizes the Joint Graphical Lasso to the functional setting. Finally, we apply our method to EEG data to uncover differences in functional brain connectivity between a group of individuals with alcohol use disorder and a control group.

연구 동기 및 목표

• 데이터가 스칼라가 아니라 곡선인 두 집단의 다변량 함수형 데이터 간의 조건부 의존 구조의 차이를 추정하는 데 도전하는 것.
• 개별 그래프가 조밀하지만 차분 그래프가 희박한 경우에 특히, 기능적 차분 그래프를 두 기능적 그래픽 모델 간의 차이로 공식화하는 것.
• 개별 그래프 추정을 회피하는 직접 추정 방법을 개발하여 고차원 설정에서 효율성과 일致성을 향상시키는 것.
• 완전히 관측된 경로와 이산적으로 관측된 경로의 두 경우 모두에서 제안된 방법의 이론적 일관성을 확립하는 것.
• 실제 EEG 데이터에 적용하여 알코올 사용 장애가 있는 개인과 대조군 간의 연결성 차이를 밝혀내는 것.

제안 방법

• FuDGE는 두 집단의 함수형 데이터 간 정밀도 연산자 간의 차이를 모델링하여 기능적 차분 그래프를 직접 추정한다. 개별 그래프를 별도로 추정하지 않음으로써 효율성을 높인다.
• 함수형 그래픽 로지스틱 회귀 유사 펜alty를 사용한 펜라이즈드 우도 접근법을 통해 차분 그래프의 희박성을 유도하며, 연산자 추정에 힐버트-슈미트 노름을 활용한다.
• 카르누엔-로브 전개를 포함한 함수형 데이터 분석 기법을 활용하여 곡선을 분리 가능한 힐베르트 공간에 표현하고 무한차원 관측치를 처리한다.
• 고차원 점점 증가하는 설정에서 이론적 일관성을 확립하였으며, 함수형 변수 수 $ p $ 가 표본 크기 $ n $ 를 초과할 수 있는 상황에서, 랜덤 힐베르트 공간에 값을 갖는 과정의 농도 부등식과 모멘트 경계를 사용한다.
• 이산적으로 관측된 함수형 데이터를 고려하기 위해 측정 오차와 비균일 샘플링을 보정하는 편향 보정된 경험 공분산 연산자 추정기법을 도입한다.
• 비교 평가를 위해 기능적 설정으로의 연합 그래픽 로지스틱 회귀의 일반화인 경쟁 방법인 연합 기능적 그래픽 로지스틱 회귀가 제안된다.

실험 결과

연구 질문

• RQ1 기본 함수형 데이터가 무한차원 공간에 존재할 때, 기능적 차분 그래프를 공식적으로 정의하고 일관되게 추정할 수 있는가?
• RQ2 희박한 차분 구조를 가진 고차원 설정에서, FuDGE를 통해 차분 그래프를 직접 추정하는 것이 개별 그래프를 순차적으로 추정하는 것보다 성능이 뛰어나게 되는가?
• RQ3 함수형 데이터가 이산적이고 비균일한 시간 포인트에서만 관측될 경우, 방법의 성능은 어떻게 되는가?
• RQ4 실제 EEG 데이터를 사용하여, 대조군과 알코올 사용 장애가 있는 개인 간의 뇌 연결성 패턴의 의미 있는 차이를 FuDGE가 회복할 수 있는가?
• RQ5 고차원 비모수 설정에서 FuDGE가 기능적 차분 그래프를 일관되게 추정할 수 있는 이론적 조건은 무엇인가?

주요 결과

• FuDGE는 고차원 점점 증가하는 설정에서 일관되게 기능적 차분 그래프를 추정하며, $ p o ty $ 이고 $ n $ 이 고정되거나 느리게 증가하는 경우에도 성립한다.
• 진짜 차분 그래프가 희박할 경우, 개별 그래프가 조밀하더라도 방법은 차분 그래프의 구조를 일관되게 복원한다.
• 이론적 분석 결과, FuDGE의 추정 오차는 $ O_pig( rac{D_{1,f} heta^2| au|/2 + D_{0,f} heta}{T} ig) $ 의 속도로 감소함을 보여주며, 여기서 $ D_{1,f} $ 와 $ D_{0,f} $ 는 기능적 경로의 매끄러움과 변동성을 제어한다.
• 시뮬레이션 연구 결과, FuDGE는 특히 고차원 및 희박한 차분 설정에서 기준 방법 대비 진성 양성률과 위양성률 측면에서 뛰어난 성능을 보였다.
• EEG 응용 분석에서는 FuDGE가 알코올 사용 장애가 있는 개인과 대조군 간의 기능적 뇌 연결성의 유의미한 차이를 특정적으로 전두엽 및 측두엽 영역에서 식별하였다.
• 연합 기능적 그래픽 로지스틱 회귀는 연합 그래픽 로지스틱 회귀의 타당한 일반화이지만, 희박한 차분 추정 과제에서는 FuDGE에 비해 성능이 떨어졌다.