[논문 리뷰] Learning High-dimensional Gaussian Graphical Models under Total Positivity without Adjustment of Tuning Parameters

Yuhao Wang, Uma Roy외 1명|arXiv (Cornell University)|2019. 06. 12.

Statistical Methods and Inference참고 문헌 35인용 수 9

한 줄 요약

이 논문은 다변량 총 양성성(MTP2) 하에서 고차원 정규 그래픽스 모델을 학습하기 위한 조정 파rameter가 없는 제약 기반 추정기의 제안을 다루며, 경험적 부분 상관계수의 부호 검정을 활용한다. 이 방법은 조정 파rameter 조정 없이 증명 가능한 일致성 있는 구조 복원을 달성하며, 시뮬레이션과 금융 데이터 응용에서 기존 방법들을 능가한다.

ABSTRACT

We consider the problem of estimating an undirected Gaussian graphical model when the underlying distribution is multivariate totally positive of order 2 (MTP2), a strong form of positive dependence. Such distributions are relevant for example for portfolio selection, since assets are usually positively dependent. A large body of methods have been proposed for learning undirected graphical models without the MTP2 constraint. A major limitation of these methods is that their structure recovery guarantees in the high-dimensional setting usually require a particular choice of a tuning parameter, which is unknown a priori in real world applications. We here propose a new method to estimate the underlying undirected graphical model under MTP2 and show that it is provably consistent in structure recovery without adjusting the tuning parameters. This is achieved by a constraint-based estimator that infers the structure of the underlying graphical model by testing the signs of the empirical partial correlation coefficients. We evaluate the performance of our estimator in simulations and on financial data.

연구 동기 및 목표

• 고차원 정규 그래픽스 모델 추정에서 조정 파ram터 민감성 문제를 해결하기 위해.
• 조정 파aram터 조정 없이도 일관성을 보장하는 구조 복원 방법을 개발하기 위해.
• 모든 부분 상관계수가 음이 아닌 MTP2 조건을 활용하여 추정 정확도와 이론적 보장을 향상시키기 위해.
• 실제 금융 데이터에서 알려진 양의 상관관계를 가지는 데이터셋과 시뮬레이션 데이터 모두에서 성능을 평가하기 위해.
• 부호 기반 부분 상관계수 검정이 MTP2 하에서 조정 파aram터가 없는 일관성 있는 구조 복원을 가능하게 함을 보여주기 위해.

제안 방법

• 경험적 부분 상관계수 계수의 부호에 기반한 조건부 인적성 검정을 통해 그래픽스 구조를 추론한다.
• 실제 부분 상관계수가 음이 아닌 경우에만 간선을 유지하는 제약 기반 접근법을 적용하여 MTP2 가정과 일치시킨다.
• 이론적으로 최적의 값인 γ = 7/9로 고정된 임계값을 사용함으로써 조정 파aram터 없이 작동한다.
• 각 부분 상관계수 계수가 0보다 유의미하게 큰지 검정하기 위해 고정된 γ를 사용하여 검정 크기를 제어한다.
• 시간 복잡도가 O(p^d)로 계산적으로 비효율적이지만, 고차원 설정에서 이론적 일관성을 보장한다.
• MTP2 하에서 진정한 정밀행렬의 원소들이 음이 아니므로, 부호 기반 간선 탐지가 가능하다는 사실을 활용한다.

실험 결과

연구 질문

• RQ1 MTP2 제약 조건 하에서 조정 파aram터 조정 없이도 정규 그래픽스 모델 추정기의 구조 복원이 증명 가능한 일관성을 달성할 수 있는가?
• RQ2 경험적 부분 상관계수의 부호 기반 검정이 고차원 MTP2 모델에서 증명 가능한 일관성 있는 구조 복원을 이끌 수 있는가?
• RQ3 고정된 γ를 사용하는 제약 기반 추정기의 성능은 그래픽스 라소나 안정성 선택과 같은 조정에 의존하는 방법과 비교해 어떻게 되는가?
• RQ4 이러한 방법이 본질적으로 양의 상관관계를 가지는 실제 금융 데이터에서 기존 방법들을 능가할 수 있는가?
• RQ5 γ를 7/9로 고정하는 이론적 근거는 무엇이며, 이 선택이 일관성을 보장하는가?

주요 결과

• 제안된 알고리즘은 MTP2 정규 그래픽스 모델에 대해 조정 파aram터 조정 없이도 증명 가능한 일관성 있는 구조 복원을 달성하였으며, 이는 MTP2 모델에서 처음으로 이루어진 일치이다.
• 시뮬레이션 결과, MCC(매튜스 상관계수)와 TPR(진양성률) 측면에서 모든 경쟁 방법보다 뛰어나며, 표준편차도 가장 작았다.
• 100개 주식을 포함한 금융 데이터에서, 이 방법은 모듈래리티 계수 0.482를 기록하여 다음으로 우수한 방법(0.418)과 모든 다른 방법들, 안정성 선택 변형들보다 뚜렷이 뛰어났다.
• 고정된 γ = 7/9를 사용한 알고리즘이 안정성 선택을 사용한 방법들보다 항상 뛰어난 성능을 보였으며, 안정성 선택은 조정 민감성을 줄이기 위해 고안되었음에도 불구하고 말이다.
• 이 방법은 시행 간에 MCC와 TPR의 변동이 매우 적어 매우 높은 일관성을 보였으며, 이는 높은 안정성을 의미한다.
• 이 알고리즘은 이론적 일관성 보장을 갖는 고유한 조정 파aram터가 없는 구조 복원 방법으로서, 처음으로 알려진 방법이다.