[논문 리뷰] Simultaneous Confidence Bands for Functional Data Using the Gaussian Kinematic Formula

Fabian J. E. Telschow, Armin Schwartzman|arXiv (Cornell University)|2019. 01. 18.

Advanced Neuroimaging Techniques and Applications참고 문헌 58인용 수 23

한 줄 요약

이 논문은 기능적 파라미터에 대한 同시 신뢰 구간(Single Confidence Bands, SCBs)을 구성하기 위한 새로운 방법을 제안한다. 이 방법은 t-과정 기반 가우시안 운동학 공식(tGKF)을 사용하며, 중심극한정리에 기반하여 비정규 과정에서도 渐近적으로 정확한 커버리지 성능을 달성한다. 이 방법은 작은 표본에서 부트스트랩 기반 대안보다 뛰어난 성능을 보이며, 계산적으로도 효율적이다. 이론적 보장과 기능적 신호+잡음 모델 및 DTI 섬유 분석을 위한 스케일 스페이스 표면에서의 실증적 검증이 이루어졌다.

ABSTRACT

This article constructs simultaneous confidence bands (SCBs) for functional parameters using the Gaussian Kinematic formula of $t$-processes (tGKF). Although the tGKF relies on Gaussianity, we show that a central limit theorem (CLT) for the parameter of interest is enough to obtain asymptotically precise covering rates even for non-Gaussian processes. As a proof of concept we study the functional signal-plus-noise model and derive a CLT for an estimator of the Lipschitz-Killing curvatures, the only data dependent quantities in the tGKF SCBs. Extensions to discrete sampling with additive observation noise are discussed using scale space ideas from regression analysis. Here we provide sufficient conditions on the processes and kernels to obtain convergence of the functional scale space surface. The theoretical work is accompanied by a simulation study comparing different methods to construct SCBs for the population mean. We show that the tGKF works well even for small sample sizes and only a Rademacher multiplier-$t$ bootstrap performs similarily well. For larger sample sizes the tGKF often outperforms the bootstrap methods and is computational faster. We apply the method to diffusion tensor imaging (DTI) fibers using a scale space approach for the difference of population means. R code is available in our Rpackage SCBfda.

연구 동기 및 목표

• 기능적 데이터 분석에서 기능적 파라미터에 대한 동시에 신뢰 구간(SCBs)을 구성하기 위한 신뢰할 수 있고 이론적으로 탄탄한 방법의 부족을 해결한다.
• 데이터가 정규분포에서 벗어나도, 중심극한정리(Central Limit Theorem, CLT)에 기반하여 渐近적으로 정확한 커버리지 비율을 달성할 수 있는 방법을 개발한다. 이는 엄격한 정규성 가정에 의존하지 않는다.
• 스무딩 파라미터 선택에 민감하지 않도록, 이산적이고 노이즈가 있는 관측치를 다룰 수 있도록 스케일 스페이스 표면을 도입하여 방법을 확장한다.
• tGKF 기반 SCBs의 핵심 데이터 의존적 양상인 리프시츠-킬링 곡률(Lipschitz-Killing curvatures, LKCs)의 추정에 대한 이론적 근거를 제공한다.
• 시뮬레이션과 확산 텐서 영상(DTI) 섬유 데이터에 대한 응용을 통해 방법의 실용적 유용성을 입증한다.

제안 방법

• 기능적 파라미터에 대한 SCBs를 구성하기 위해 t-과정 기반 가우시안 운동학 공식(tGKF)을 사용하며, 확률과정의 최대값과 그 분위수를 활용한다.
• 비정규 과정에서도 tGKF의 渐近적 타당성을 보장하기 위해 연속 함수 공간에서 중심극한정리(Central Limit Theorem, CLT)를 적용한다.
• 신호+잡음 모델에서 잔차로부터 리프시츠-킬링 곡률(LKCs)을 플러그인 추정함으로써 SCBs의 임계 분위수를 추정한다.
• 이산적이고 노이즈가 있는 기능적 데이터를 다루기 위해 스케일 스페이스 접근법을 도입하여, 모집단 평균을 스무딩 척도의 함수로 모델링함으로써 다양한 밴드위드에 걸쳐 안정성을 확보한다.
• 기능적 델타 방법(functional delta method)을 적용하여 추정된 LKCs의 渐近적 분포를 유도함으로써 곡률 파rameter에 대한 추론을 가능하게 한다.
• tGKF와 부트스트랩 기반 SCB 방법(다양한 t-검정 및 부트스트랩-t 포함)을 비교하는 시뮬레이션 연구를 통해 방법을 검증한다.

실험 결과

연구 질문

• RQ1 비정규 과정에서도 tGKF를 사용하여 기능적 파라미터에 대한 SCBs를 구성할 수 있으며, 그 커버리지가 渐近적으로 정확한가?
• RQ2 작은 표본 설정에서 tGKF 기반 SCB의 성능은 부트스트랩 기반 방법보다 어떻게 다를까?
• RQ3 기능적 신호+잡음 모델에서 추정된 리프시츠-킬링 곡률(LKCs)의 일致성과 渐近 정규성을 보장하는 조건은 무엇인가?
• RQ4 스케일 스페이스 표면을 활용하여 이산적으로 관측된 노이즈가 있는 기능적 데이터를 다룰 수 있는가?
• RQ5 추정된 LKCs가 균일하게 거의 확실히 수렴하고, 그로 인해 생성된 SCBs가 정확한 커버리지를 유지할 수 있는 이론적 조건은 무엇인가?

주요 결과

• tGKF 기반 SCBs는 비정규 과정에서도 기능적 중심극한정리에 기반하여 渐近적으로 정확한 커버리지 성능을 달성한다.
• 작은 표본에서는 tGKF가 라데마처 다중분포 t-부트스트랩과 유사한 성능을 보이며, 표준 부트스트랩-t 방법보다 커버리지 정확도에서 뛰어나다.
• 더 큰 표본 크기에서는 tGKF가 부트스트랩 방법을 일관되게 능가하며, 계산 속도 면에서도 유의미하게 빠르다.
• 이론적 분석을 통해 과정과 커널에 대한 규칙성 조건 하에서 추정된 LKCs가 진짜 값으로 균일하게 거의 확실히 수렴함을 확인하였다.
• 이산적이고 노이즈가 있는 데이터에 대한 스케일 스페이스 접근법은 스무딩 척도에 걸쳐 모집단 평균의 안정적 추정을 보장하며, 이론적 수렴 보장이 있다.
• DTI 섬유 데이터에 대한 실증 결과는 이 방법의 실용적 유용성을 입증하였으며, R 패키지 SCBfda를 통해 쉽게 구현이 가능하다.