[논문 리뷰] Principal Component Analysis for Functional Data on Riemannian Manifolds and Spheres

Xiongtao Dai, Hans‐Georg Müller|arXiv (Cornell University)|2017. 05. 17.

Geochemistry and Geologic Mapping참고 문헌 37인용 수 8

한 줄 요약

이 논문은 매끄러운 리만다만의 곡면, 특히 구면에 정의된 기능적 데이터의 차원 감소를 위한 새로운 내재적 방법인 리만다만 기능적 주성분 분석(RFPCA)을 제안한다. 리만다만 로그 함수를 이용해 다양체 값 곡선을 탄성 공간으로 매핑하고, 고전적 FPCA를 적용한 후 지수 함수를 통해 다시 원래 공간으로 복원함으로써, 음이 아닌 곡률 조건 하에서 루트-$n$ 균일 수렴과 중심극한정리 성립을 달성하며, 궤적 복원 및 분류 예측에서 제약 없는 FPCA보다 뛰어난 성능을 보인다.

ABSTRACT

Functional data analysis on nonlinear manifolds has drawn recent interest. Sphere-valued functional data, which are encountered for example as movement trajectories on the surface of the earth, are an important special case. We consider an intrinsic principal component analysis for smooth Riemannian manifold-valued functional data and study its asymptotic properties. Riemannian functional principal component analysis (RFPCA) is carried out by first mapping the manifold-valued data through Riemannian logarithm maps to tangent spaces around the time-varying Fréchet mean function, and then performing a classical multivariate functional principal component analysis on the linear tangent spaces. Representations of the Riemannian manifold-valued functions and the eigenfunctions on the original manifold are then obtained with exponential maps. The tangent-space approximation through functional principal component analysis is shown to be well-behaved in terms of controlling the residual variation if the Riemannian manifold has nonnegative curvature. Specifically, we derive a central limit theorem for the mean function, as well as root-$n$ uniform convergence rates for other model components, including the covariance function, eigenfunctions, and functional principal component scores. Our applications include a novel framework for the analysis of longitudinal compositional data, achieved by mapping longitudinal compositional data to trajectories on the sphere, illustrated with longitudinal fruit fly behavior patterns. RFPCA is shown to be superior in terms of trajectory recovery in comparison to an unrestricted functional principal component analysis in applications and simulations and is also found to produce principal component scores that are better predictors for classification compared to traditional functional functional principal component scores.

연구 동기 및 목표

• 매끄러운 리만다만 다양체 값 기능적 데이터를 위한 이론적으로 탄탄한 내재적 기능적 주성분 분석을 개발하기 위해.
• 비선형, 곡률이 있는 공간에서의 기능적 데이터 분석 기존 방법들에 대한 이론적 근거 부족 문제를 해결하기 위해.
• 고전적 FPCA를 비유클리드 다양체로 확장하면서 로그 함수 및 지수 함수를 통해 기하학적 구조를 유지하기 위해.
• 음이 아닌 곡률 조건 하에서 루트-$n$ 균일 수렴 및 중심극한정리와 같은 점근적 성질을 확립하기 위해.
• 궤적 복원 및 분류 예측 성능 측면에서 제약 없는 FPCA에 비해 뛰어난 성능을 보여주기 위해.

제안 방법

• 시간에 따라 변화하는 프레셰 평균 주위의 탄성 공간으로 리만다만 로그 함수를 이용해 다양체 값 기능적 데이터를 매핑하기 위해.
• 선형 탄성 공간에서 고전적 다변량 기능적 주성분 분석을 수행하기 위해.
• 리만다만 지수 함수를 이용해 원래 다양체 값 함수 및 고유함수를 재구성하기 위해.
• 다양체 상에서 지오데식 거리 최소화를 통해 잔차 변동성을 통제하여, 음이 아닌 곡률 조건 하에서 잘 정의된 근사가 이루어지도록 하기 위해.
• 시간에 따라 변화하는 탄성 공간 정렬을 위한 중심 기준점으로 프레셰 평균 함수를 사용하기 위해.
• 수렴 속도 및 점근적 분포를 유도하기 위해 타일러 전개 및 행렬 미분과 같은 이론적 도구를 적용하기 위해.

실험 결과

연구 질문

• RQ1 기능적 주성분 분석이 내재 기하학을 존중하면서 리만다만 다양체 값 기능적 데이터로 체계적으로 확장될 수 있는가?
• RQ2 이 내재적 프레임워크에서 평균 함수, 공분산, 고유함수 및 스코어의 점근적 성질은 무엇인가?
• RQ3 기저 다양체의 곡률이 제안된 방법의 수렴 행동에 어떤 영향을 미치는가?
• RQ4 RFPCA는 궤적 복원 및 예측 성능 측면에서 제약 없는 FPCA를 능가하는가?
• RQ5 종단적 구성 데이터는 이 프레임워크를 통해 구면 기능적 데이터로 효과적으로 모델링될 수 있는가?

주요 결과

• 음이 아닌 곡률 조건 하에서, 평균 함수, 공분산 함수, 고유함수 및 기능적 주성분 스코어에 대해 RFPCA가 루트-$n$ 균일 수렴 속도를 달성한다.
• 시간에 따라 변화하는 프레셰 평균 함수에 대해 중심극한정리가 확립되어 점근 정규성을 보장한다.
• 다양체가 음이 아닌 곡률을 가질 경우, RFPCA를 통한 탄성 공간 근사가 잔차 변동성을 효과적으로 통제한다.
• 시뮬레이션 및 실제 데이터(비행 경로, 곤충 행동 등)에서 RFPCA는 제약 없는 FPCA에 비해 궤적 복원 성능을 크게 향상시킨다.
• RFPCA에서 유도된 기능적 주성분 스코어는 고전적 FPCA의 스코어보다 분류 작업 예측 성능이 뛰어나다.
• 이 방법은 종단적 구성 데이터를 구면 궤적으로 효과적으로 매핑하여, 이들의 분석을 위한 새로운 프레임워크를 성공적으로 구현하였다.