[논문 리뷰] Gaussian Graphical Model Estimation with False Discovery Rate Control

Weidong Liu|arXiv (Cornell University)|2013. 06. 05.

Statistical Methods and Inference참고 문헌 27인용 수 5

한 줄 요약

이 논문은 조건부 의존성에 대한 편향 보정된 검정 통계량을 도입하여 가우시안 그래픽 모델(GGM) 추정을 위한 다중 검정 절차를 제안한다. 이는 고차원 희소성 조건 하에서 점차적으로 가짜 발동률(FDR)을 통제한다. 이 방법은 정규화 조정을 회피하고 검정 통계량을 직접 임계값으로 설정함으로써 FDR 및 가짜 발동 비율 통제를 달성한다.

ABSTRACT

This paper studies the estimation of high dimensional Gaussian graphical model (GGM). Typically, the existing methods depend on regularization techniques. As a result, it is necessary to choose the regularized parameter. However, the precise relationship between the regularized parameter and the number of false edges in GGM estimation is unclear. Hence, it is impossible to evaluate their performance rigorously. In this paper, we propose an alternative method by a multiple testing procedure. Based on our new test statistics for conditional dependence, we propose a simultaneous testing procedure for conditional dependence in GGM. Our method can control the false discovery rate (FDR) asymptotically. The numerical performance of the proposed method shows that our method works quite well.

연구 동기 및 목표

• 정규화 기반 GGM 추정에서 조정 파rameter와 가짜 간선 수 간의 관계가 명확하지 않아 성능 평가가 부족한 점을 해결하기 위해.
• 고차원 환경에서 $ p > n $ 인 경우 가짜 발동률(FDR)을 통제하는 GGM 구조 학습을 위한 다중 검정 프레임워크를 개발하기 위해.
• 표본 부분상관계수가 고차원성으로 인해 정의되지 않을 경우에도 유효하고 점차적으로 정규분포를 따르는 통계량을 구축하기 위해.
• 정밀행렬의 희소성 가정 하에서 FDR 및 가짜 발동 비율(FDP) 통제에 대한 이론적 보장을 수립하기 위해.
• 정규화 기반 방법의 반복 최적화 절차를 피하고 p-값 변환 없이 통계량을 직접 임계값으로 설정함으로써 계산 효율적인 대안을 제공하기 위해.

제안 방법

• 고차원 GGM에서 조건부 독립성에 대한 새로운 검정 통계량으로 잔차 공분산의 편향 보정된 버전을 도입한다.
• 정밀행렬 $ \boldsymbol{\Omega} $ 에 대한 희소성 조건 하에서 통계량의 점차적 정규성을 도출하여 타당한 추론을 가능하게 한다.
• p-값 변환 없이 통계량을 직접 임계값으로 설정함으로써 이론적 통제를 향상시키는 동시에 동시 다중 검정 절차를 개발한다.
• 모든 $ p(p-1)/2 $ 쌍별 검정에서 점차적으로 가짜 발동률(FDR)을 통제하기 위해 유의수준 조정을 적용한다.
• 통계량의 추정된 귀무분포를 기반으로 데이터 기반의 임계값 설정 규칙을 사용하여 추정 그래프의 간선 포함 여부를 결정한다.
• 제한된 고유값과 고확률 농도 부등식을 활용하여 통계량과 선택 절차의 일致성을 보장한다.

실험 결과

연구 질문

• RQ1 고차원 환경에서 $ p > n $ 인 경우, 점차적으로 FDR 통제가 가능한 다중 검정 절차를 구축할 수 있는가?
• RQ2 고차원성으로 인해 표본 부분상관계수가 정의되지 않을 경우, 유효하고 점차적으로 정규분포를 따르는 통계량은 무엇인가?
• RQ3 가짜 간선 수와 조정 파rameter 간의 관계를 피하거나 더 해석 가능한 오류 비율로 대체할 수 있는가?
• RQ4 정규화 조정 파rameter에 의존하지 않고도 FDR 및 가짜 발동 비율(FDP)을 점차적으로 통제할 수 있는가?
• RQ5 제안된 통계량이 점차적으로 정규분포를 따르고 선택 일치성이 달성되기 위한 이론적 조건은 무엇인가?

주요 결과

• 제안된 방법인 GFC(GGM 추정에서 FDR 통제)는 정밀행렬의 희소성 조건 하에서 점차적으로 가짜 발동률(FDR)을 통제한다.
• 이 방법은 점차적으로 가짜 발동 비율(FDP)을 통제하여, 선택된 간선들 중 가짜 양성의 비율이 확률적으로 0으로 수렴함을 보장한다.
• 편향 보정된 잔차 공분산에 기반한 새로운 통계량은 조건부 독립의 귀무가설 하에서 점차적으로 정규분포를 따른다.
• 정규화 조정을 피하기 위해 통계량을 직접 임계값으로 설정함으로써, 가짜 양성과 간선 누락 간의 트레이드오프를 조정하는 파rameter 선택이 필요 없어진다.
• 이론적 분석 결과, 통계량은 일致성이 있으며, 희소성과 고유값 조건 하에서 진짜 그래프 구조의 고확률 복원이 달성됨을 보여준다.
• 이 방법은 반복 최적화 절차를 피하기 때문에 고차원 데이터에 대해 계산적으로 효율적이고 확장 가능하다.