[논문 리뷰] Nonparametric graphical model for counts

Arkaprava Roy, David B. Dunson|arXiv (Cornell University)|2019. 01. 03.

Bayesian Methods and Mixture Models참고 문헌 47인용 수 9

한 줄 요약

이 논문은 다변량 카운트 데이터에 대한 비모수 베이지안 그래픽 모델인 CONGA를 제안한다. 이 모델은 탄젠트 역함수 변환(tan⁻¹ 변환)을 사용하여 양의 조건부 의존성과 음의 조건부 의존성을 제약 없이 모델링할 수 있도록 한다. 무작위 효과의 디리클레 과정 사전분포와 계수의 새로운 변환을 활용함으로써 CONGA는 사후 일致성(consistency)을 확보하고 시뮬레이션 및 뉴런 스파이크 수 데이터 응용에서 경쟁 모델들을 능가한다.

ABSTRACT

Although multivariate count data are routinely collected in many application areas, there is surprisingly little work developing flexible models for characterizing their dependence structure. This is particularly true when interest focuses on inferring the conditional independence graph. In this article, we propose a new class of pairwise Markov random field-type models for the joint distribution of a multivariate count vector. By employing a novel type of transformation, we avoid restricting to non-negative dependence structures or inducing other restrictions through truncations. Taking a Bayesian approach to inference, we choose a Dirichlet process prior for the distribution of a random effect to induce great flexibility in the specification. An efficient Markov chain Monte Carlo (MCMC) algorithm is developed for posterior computation. We prove various theoretical properties, including posterior consistency, and show that our COunt Nonparametric Graphical Analysis (CONGA) approach has good performance relative to competitors in simulation studies. The methods are motivated by an application to neuron spike count data in mice.

연구 동기 및 목표

• 양의 또는 음의 의존성이 존재할 수 있는 다변량 카운트 데이터에서 조건부 인성을 특성화하기 위한 민감한 모델의 부족을 해결한다.
• 기존 모델이 비음수 의존성(예: 포아송 자동모형)에 국한되거나 강력한 파라미터 가정을 요구하는 한계를 극복한다.
• 절단 없이 강력한 분포 제약 없이도 데이터 기반으로도 민감한 의존성 구조를 허용하는 비모수적 접근법을 개발한다.
• 국소적 또는 근사적 방법이 아닌 조건부 인성 그래프 G에 대한 전역 추론을 가능하게 한다.
• 약한 정규성 조건 하에서 사후 분포의 이론적 일치성을 확립한다.

제안 방법

• 로그우도에 변환된 계수 항 (tan⁻¹(X_ij))^θ 를 포함하는 이변량 마르코프 무작위장 모델을 제안하여 비모수적 의존성 모델링을 유연하게 구현한다.
• 기본 강도 파rameter의 비모수적 유연성을 확보하기 위해 무작위 효과 분포에 디리클레 과정 사전분포를 사용한다.
• 기존의 가속도 가족 모델의 비음수 제약을 피하기 위해 다른 변수들에 대한 각 계수 변수의 조건부 분포를 변환하여 모델링한다.
• 변환된 공분산 행렬과 원래 공분산 행렬 간의 프로베니우스 노름(Frobenius norm)을 최소화하는 방식으로 조정 파rameter θ 를 선택하는 의사우도 접근법을 활용한다.
• 잠재 변수와 그래프 구조에 대한 게이브스 샘플링 단계를 포함한 효율적인 MCMC 알고리즘을 개발한다.
• 적절한 파라미터화와 사후 계산을 촉진하기 위해 α_ij = log(λ_ij) 를 통한 재매개변수화(reparameterization)를 적용한다.

실험 결과

연구 질문

• RQ1 다변량 카운트 데이터에 대해 양의 및 음의 조건부 의존성을 모두 허용하는 비모수 그래픽 모델을 구축할 수 있는가?
• RQ2 제한적인 파라미터 가정 없이도 민감하고 비모수적 사전분포를 어떻게 사용하여 의존성 구조를 모델링할 수 있는가?
• RQ3 제안된 모델은 약한 정규성 조건 하에서 사후 일치성을 확보하는가?
• RQ4 기존의 파라미터 모형 및 반모수 모형 대비 CONGA 방법은 그래프 복원 및 조건부 인성 탐지 측면에서 어떻게 비교되는가?
• RQ5 고차원적이고 희박한 카운트 데이터 설정에서 모델은 진정한 조건부 인성 그래프를 효과적으로 복원할 수 있는가?

주요 결과

• CONGA 모델은 절단 없이 제한적인 파라미터 가정 없이도 다변량 카운트 데이터에서 양의 및 음의 조건부 의존성을 효과적으로 모델링한다.
• 약한 정규성 조건 하에서 사후 일치성이 증명되어, 점차적으로 진정한 기저 그래프 구조를 회복함을 보장한다.
• 시뮬레이션 연구 결과, CONGA는 그래프 복원의 참양성률 및 위양성률 측면에서 경쟁 모델들을 능가한다.
• 실제 뉴런 스파이크 수 데이터에 적용하여 생물학적으로 타당한 연결 패턴을 효과적으로 복원한다.
• tan⁻¹ 변환에서 θ 의 선택이 중요하다. 논문은 공분산 매칭을 통한 조정을 제안하지만, 완전한 베이지안 처리도 가능하다.
• 이론적 분석을 통해 표본 크기가 증가함에 따라 사후 분포가 진짜 파라미터 값 주변에 집중됨을 확인하여 신뢰할 수 있는 추론을 뒷받침한다.