[논문 리뷰] Gaussian process models for periodicity detection

Nicolas Durrande, James Hensman외 2명|arXiv (Cornell University)|2013. 03. 28.

Gaussian Processes and Bayesian Inference참고 문헌 26인용 수 8

한 줄 요약

이 논문은 재생핵 힐버트 공간(RKHS) 이론을 사용하여 공분산 커널을 주기적 및 비주기적 부분 커널으로 분해함으로써 노이즈가 많고 희소한 시계열 데이터에서 주기적 성분을 탐지하기 위한 가우시안 프로세스 프레임워크를 제안한다. 이 방법은 Matérn 커널을 활용하여 주기성 비율을 도출하여 주기성에 의해 설명되는 신호 분산의 비율을 정량화하며, 생체 Uhr 조절 유전자 발현 데이터에 대해 기존 방법보다 더 뛰어난 주기적 유전자 탐지 성능을 입증하였다.

ABSTRACT

We consider the problem of detecting and quantifying the periodic component of a function given noise-corrupted observations of a limited number of input/output tuples. Our approach is based on Gaussian process regression which provides a flexible non-parametric framework for modelling periodic data. We introduce a novel decomposition of the covariance function as the sum of periodic and aperiodic kernels. This decomposition allows for the creation of sub-models which capture the periodic nature of the signal and its complement. To quantify the periodicity of the signal, we derive a periodicity ratio which reflects the uncertainty in the fitted sub-models. Although the method can be applied to many kernels, we give a special emphasis to the Mat\'ern family, from the expression of the reproducing kernel Hilbert space inner product to the implementation of the associated periodic kernels in a Gaussian process toolkit. The proposed method is illustrated by considering the detection of periodically expressed genes in the arabidopsis genome.

연구 동기 및 목표

• 희소하고 노이즈가 많은 관측치로부터 함수의 주기적 성분을 원리적으로 탐지하기 위한 방법을 개발하는 것.
• 기존 조화 분석의 한계를 보완하기 위해 주기적 분해에 L2 내적 대신 RKHS 내적을 사용하는 것.
• 불확실성 인식 메트릭을 통해 주기성을 정량화하여 노이즈가 많은 생물학적 데이터에서 강건한 탐지가 가능하도록 하는 것.
• 가우시안 프로세스 모델에 주기적 및 비주기적 부분 모델을 통합하여 신호 분해 및 예측 성능을 향상시키는 것.
• 이를 통해 순환 생체 시계 연구에서 주기적으로 발현되는 유전자를 탐지하고 기존 탐지 방법을 초월하는 것.

제안 방법

• 이 방법은 RKHS 이론을 사용하여 가우시안 프로세스 공분산 함수 k를 주기적 kp 및 비주기적 ka 성분으로 분해한다.
• Matérn 커널에 대한 RKHS 내적을 유도함으로써 주기적 부분공간에 대한 신호의 수직 투영이 가능해진다.
• 주기적 커널 kp는 Matérn 커널의 스펙트럼 표현을 사용하여 구성되며, 이는 부드러움과 주기성을 보장한다.
• 주기성 비율은 주기적 부분모델이 설명하는 분산에 대한 총 분산의 비율로 정의되며, GP 마진 가능도를 통해 불확실성을 통합한다.
• 이 접근법은 과적합을 방지하기 위해 확률적 프레임워크를 사용하여 주기적 성분과 그 불확실성을 추정한다.
• 구현은 GPy GP 툴박스에 통합되어 대규모 데이터셋에서의 확장 가능한 추론이 가능하다.

실험 결과

연구 질문

• RQ1 RKHS 이론을 사용하여 가우시안 프로세스 모델을 주기적 및 비주기적 부분 모델로 분해하여 주기적 성분을 고립시킬 수 있는가?
• RQ2 단일 주요 주파수 탐지 외에, 불확실성을 고려한 주기성을 어떻게 정량화할 수 있는가?
• RQ3 주기 신호 추출에 있어 L2 내적 대비 RKHS 내적을 사용할 경우 어떤 영향을 미치는가?
• RQ4 기존의 조화 분석 및 폴딩 방법과 비교하여, 이 방법은 노이즈가 많고 희소한 데이터에서 주기성을 탐지하는 데 어떤 성능을 보이는가?
• RQ5 실제 유전체 데이터에서 생물학적으로 관련된 주기적 발현을 보이는 유전자를 탐지할 수 있는가?

주요 결과

• 제안된 방법은 노이즈가 많고 희소한 관측 조건에서도 시계열 데이터에서 주기적 성분을 높은 정확도로 탐지한다.
• 주기성 비율은 통계적으로 타당하고 불확실성 인식 기반의 주기성 측정치를 제공하며, 기존 방법보다 더 나은 신호 분해 성능을 보인다.
• 이 방법은 순환 생체 시계 조절과 일치하는 강력한 주기적 발현 패tern을 보이는 네 개의 새로운 유전자를 특정하였다.
• 주기적 및 비주기적 부분모델로의 분해는 Mauna Loa CO2 데이터셋에서 예측 성능 향상에 기여하여 강건성을 입증하였다.
• Matérn 커널에 대한 유도된 RKHS 내적은 GP 프레임워크 내에서 주기적 성분을 정밀하고 효율적으로 계산할 수 있도록 한다.
• GPy에 통합된 구현은 대규모 생물학적 시계열 데이터에 대한 확장 가능하고 재현 가능한 분석을 가능하게 한다.