[논문 리뷰] Inter-Subject Analysis: Inferring Sparse Interactions with Dense Intra-Graphs

Cong Ma, Junwei Lu외 1명|arXiv (Cornell University)|2017. 09. 20.

Functional Brain Connectivity Studies참고 문헌 37인용 수 7

한 줄 요약

이 논문은 높은 차원의 가우시안 그래픽 모델에서 내부 주체 간 의존성이 조밀할지라도도 희박한 주체 간 의존성을 추정할 수 있는 새로운 프레임워크를 제안한다. 내부 주체 의존성을 잡음으로 간주할 때도 주체 간 정밀도 행렬의 희박성을 목표로 하는 STRINGS 추정기법을 도입하며, 재매개변수화와 '풀고 조율하기'라는 비편향 처리 절차를 통해 점점 더 일관되고 타당한 추론이 가능해지며, 잡음 매개변수의 희박성 가정이 필요하지 않다.

ABSTRACT

We develop a new modeling framework for Inter-Subject Analysis (ISA). The goal of ISA is to explore the dependency structure between different subjects with the intra-subject dependency as nuisance. It has important applications in neuroscience to explore the functional connectivity between brain regions under natural stimuli. Our framework is based on the Gaussian graphical models, under which ISA can be converted to the problem of estimation and inference of the inter-subject precision matrix. The main statistical challenge is that we do not impose sparsity constraint on the whole precision matrix and we only assume the inter-subject part is sparse. For estimation, we propose to estimate an alternative parameter to get around the non-sparse issue and it can achieve asymptotic consistency even if the intra-subject dependency is dense. For inference, we propose an "untangle and chord" procedure to de-bias our estimator. It is valid without the sparsity assumption on the inverse Hessian of the log-likelihood function. This inferential method is general and can be applied to many other statistical problems, thus it is of independent theoretical interest. Numerical experiments on both simulated and brain imaging data validate our methods and theory.

연구 동기 및 목표

• 서로 다른 주체 간 조건부 의존성을 추론하기 위한 통계적 프레임워크를 개발하며, 내부 주체 의존성을 잡음 매개변수로 간주한다.
• 전체 정밀도 행렬이 희박하지 않은 상황에서 희박한 주체 간 정밀도 행렬을 추정하는 데 도전하는 문제를 다룬다. 특히 고차원 설정에서의 적용을 고려한다.
• 로그우도의 역헤시안에 대한 희박성 가정 없이도 주체 간 의존성에 대한 타당한 불확실성 평가 및 추론을 가능하게 한다.

제안 방법

• 전체 정밀도 행렬 Ω∗과 블록 대각 공분산 행렬 Σ∗G를 사용한 재매개변수화 Θ∗ = Ω∗ − (Σ∗G)−1를 제안하여, 비희박 문제를 희박 추정 과제로 변환한다.
• STRINGS 추정기법을 도입: 정규화된 최적화 문제로, Tr(ΘbΣ) − log|bΣGΘbΣG + bΣG| + λ∥Θ∥1,1을 최소화하여 희박한 Θ∗를 추정한다.
• 추정 편향을 교정하기 위해 '풀고 조율하기'라는 비편향 처리 절차를 적용하여, 역헤시안의 희박성 가정 없이도 타당한 추론을 가능하게 한다.
• 표본 분할을 사용하여 추정과 추론을 분리함으로써, 비편향 추정기의 점근적 정규성을 보장한다.
• 케נדל의 타우 기반 추정기법을 사용하여 비정규 분포에 일반화함으로써 통계적 일관성을 유지한다.
• Θ∗ = Ω∗ − (Σ∗G)−1 재매개변수화를 일반화하여 다수의 주체로 확장하며, 주체 간 블록에 희박성 가정이 있을 경우 ∥Θ∗∥0 = O(s²)임을 보여준다.

실험 결과

연구 질문

• RQ1 내부 주체 의존성이 조밀하고 비희박한 상황에서, 주체 간 정밀도 행렬을 일관되게 추정할 수 있는가?
• RQ2 로그우도의 역헤시안에 대한 희박성 가정 없이도 주체 간 의존성에 대해 타당한 통계적 추론을 수행할 수 있는가?
• RQ3 조밀한 잡음 매개변수 존재 하에서 추정기의 편향을 어떻게 제거하여 불확실성 정량화를 가능하게 할 수 있는가?
• RQ4 제안된 방법은 비정규 분포, 예를 들어 비정규정규 또는 이진 데이터로 확장 가능하며, 추정 일관성은 유지되는가?
• RQ5 이 프레임워크는 두 명 이상의 주체로 일반화될 수 있으며, 그 설정에서 이론적 보장은 무엇인가?

주요 결과

• STRINGS 추정기법은 온건한 조건 하에서 프로베니우스 노름 기준 O(s∗√(log d / n)) 및 ℓ1,1 노름 기준 O(s∗√(log d / n))의 수렴 속도로 추정 일관성을 달성한다.
• '풀고 조율하기' 절차를 통해 역헤시안의 희박성 가정 없이도 주체 간 매개변수에 대해 점근적 정규성을 확보할 수 있다.
• 케נדל의 타우 기반 공분산 추정기법을 사용할 경우 비정규정규 분포에서도 동일한 통계적 속도를 유지한다.
• 잠재 가우시안 커플라 모델 하에서 이진 자료에 대해서도 STRINGS 추정기법은 ∥bΣb − Σ∗∥max = OP(√(log d / n))로 일관성을 유지한다.
• 다수의 주체로 일반화된 프레임워크에서는 주체 간 블록이 희박하고 주체 수가 유계일 경우 ∥Θ∗∥0 = O(s²)임을 보여준다.
• 시뮬레이션 및 fMRI 데이터를 이용한 수치 실험을 통해 본 방법의 효과성을 확인하였으며, 자극 유도 뇌 네트워크 연결성의 강력한 탐지 성능을 보였다.