[논문 리뷰] Statistical Inference for Networks of High-Dimensional Point Processes

Xu Wang, Mladen Kolar외 1명|arXiv (Cornell University)|2020. 07. 15.

Point processes and geometric inequalities참고 문헌 39인용 수 6

한 줄 요약

이 논문은 연속 시간 동역학을 갖는 다변량 하크스 과정에 대해 흥분성 및 억제성 효과를 동시에 고려한 최초의 고차원 추론 프레임워크를 제안한다. 이는 통합된 통계량에 대한 분산 수축 부등식과 비상관화된 스코어 검정을 활용하며, 검정 통계량의 점근 정규성을 확립하고 타당한 신뢰구간을 구성함으로써 뉴런 스파이크 트레인과 같은 고차원 점과정 네트워크에서 엄밀한 통계적 추론을 가능하게 한다.

ABSTRACT

Fueled in part by recent applications in neuroscience, the multivariate Hawkes process has become a popular tool for modeling the network of interactions among high-dimensional point process data. While evaluating the uncertainty of the network estimates is critical in scientific applications, existing methodological and theoretical work has primarily addressed estimation. To bridge this gap, this paper develops a new statistical inference procedure for high-dimensional Hawkes processes. The key ingredient for this inference procedure is a new concentration inequality on the first- and second-order statistics for integrated stochastic processes, which summarize the entire history of the process. Combining recent results on martingale central limit theory with the new concentration inequality, we then characterize the convergence rate of the test statistics. We illustrate finite sample validity of our inferential tools via extensive simulations and demonstrate their utility by applying them to a neuron spike train data set.

연구 동기 및 목표

• 신경과학, 소셜 미디어, 금융 분야에서 널리 사용되는 고차원 다변량 하크스 과정에 대한 통계적 추론 도구의 부족을 해결하기 위해.
• 고차원 점과정 데이터의 네트워크 매개변수에 대한 타당한 신뢰구간과 가설 검정을 개발하기 위해.
• 하크스 과정에서의 연속 시간 의존성과 전체 이력 의존성의 과제를 극복하기 위해.
• 통합된 스토케스틱 과정의 일차 및 이차 통계량에 대한 수축 부등식을 수립하기 위해.
• 이산 시간, 고차원 하크스 과정 설정으로의 비상관화된 스코어 검정 및 준모수적 효율적 신뢰영역을 확장하기 위해.

제안 방법

• 연속 시간 역학을 갖는 고차원 점과정에 적합한 비상관화된 스코어 검정 프레임워크를 제안한다.
• 고차원 하크스 과정의 통합된 일차 및 이차 통계량에 대한 새로운 수축 부등식을 유도한다.
• 마팅게일 중심극한정리와 새로운 수축 부등식을 조합하여 검정 통계량의 수렴 속도를 특성화한다.
• ℓ₁-정규화 추정기의 추정 일致성을 보장하기 위해 제한 고유값(RE) 조건을 사용한다.
• 소음 항의 이차형식의 편차를 제어하기 위해 핸슨-드라이트 부등식을 적용한다.
• 하크스 과정에 대해 VAR 모델 추론 기법을 확장하여 준모수적 효율적 신뢰영역을 구성한다.

실험 결과

연구 질문

• RQ1 고차원 다변량 하크스 과정의 매개변수에 대해 타당한 신뢰구간을 구성할 수 있는가?
• RQ2 고차원 점과정 네트워크의 네트워크 간선에 대해 타당한 가설 검정을 수행할 수 있는가?
• RQ3 고차원 하크스 과정에서 통합된 통계량의 표본 행동을 지배하는 수축 부등식은 무엇인가?
• RQ4 하크스 과정의 통계적 추론에서 전체 이력 의존성과 연속 시간 성격을 어떻게 고려할 수 있는가?
• RQ5 선형 모델에서 비상관화된 스코어 검정과 효율적 신뢰영역을 점과정 네트워크로 확장할 수 있는가?

주요 결과

• 제안된 추론 프레임워크는 고차원 점근에서 비상관화된 스코어 검정 통계량의 점근 정규성을 달성한다.
• 유도된 수축 부등식은 통합된 통계량의 편차를 엄격하게 통제하여 타당한 추론을 가능하게 한다.
• 정규성 조건 하에서 성분 수 p가 관측 시간 T를 초과하는 경우에도 정확한 신뢰구간의 커버리지 확률을 확보한다.
• 마팅게일 중심극한정리와 새로운 수축 부등식을 활용하여 검정 통계량의 수렴 속도를 특성화한다.
• 시뮬레이션 결과는 신뢰구간과 가설 검정의 유한표본 타당성을 확인한다.
• 뉴런 스파이크 트레인 데이터에 대한 적용은 신경망 내에서 유의미한 상호작용 효과를 식별하는 데 실용적 유용성을 보여준다.