[論文レビュー] D-GCCA: Decomposition-based Generalized Canonical Correlation Analysis for Multiple High-dimensional Datasets

Hai Shu, Zhe Qu+1 more|arXiv (Cornell University)|Jan 9, 2020

Gene expression and cancer classification参考文献 52被引用数 4

ひとこと要約

D-GCCA は、高次元データセット間の共通および特徴的な変動を、確率変数の L2 空間における直交する潜在要因を用いて分離することで、多オミクスデータを分解ベースでモデル化する新しい一般化共分散分析を提案する。これは一貫性があり、閉形式の推定器を備えており、有限標本における性能が優れており、計算が効率的であり、シミュレーションおよび実データにおいて最先端の手法を上回る性能を発揮する。

ABSTRACT

Modern biomedical studies often collect multiple types of high-dimensional data on a common set of objects. A popular model for the joint analysis of multi-type datasets decomposes each data matrix into a low-rank common-variation matrix generated by latent factors shared across all datasets, a low-rank distinctive-variation matrix corresponding to each dataset, and an additive noise matrix. We propose decomposition-based generalized canonical correlation analysis (D-GCCA), a novel decomposition method that appropriately defines those matrices on the L2 space of random variables, whereas most existing methods are developed on its approximation, the Euclidean dot product space. Moreover to well calibrate common latent factors, we impose a desirable orthogonality constraint on distinctive latent factors. Existing methods inadequately consider such orthogonality and can thus suffer from substantial loss of undetected common variation. Our D-GCCA takes one step further than GCCA by separating common and distinctive variations among canonical variables, and enjoys an appealing interpretation from the perspective of principal component analysis. Consistent estimators of our common-variation and distinctive-variation matrices are established with good finite-sample numerical performance, and have closed-form expressions leading to efficient computation especially for large-scale datasets. The superiority of D-GCCA over state-of-the-art methods is also corroborated in simulations and real-world data examples.

研究の動機と目的

• 既存手法がユークリッド内積空間ではなく、真の確率変数の L2 空間で動作しないという限界を是正すること。
• 特徴的な変動成分に直交制約を課すことで、共通潜在要因の検出を向上させること。
• 複数の高次元データセットを共通成分、特徴的成分、ノイズ成分に原理的かつ明確に分解すること。
• 共通および特徴的変動行列のための一貫性があり、閉形式の推定器を開発し、大規模データに対して計算が効率的であることを確保すること。
• 分解を主成分分析の原則に一致させることで、より解釈可能なフレームワークを提供すること。

提案手法

• 確率変数の L2 空間内で複数の高次元データセットの共同解析を定式化し、統計的厳密性を確保する。
• 各データ行列を三つの成分に分解する：複数のデータセットに共通する低ランクの共通変動行列、各データセット固有の低ランクの特徴的変動行列、および加法的ノイズ行列。
• 特徴的潜在要因に直交制約を課すことにより、共通変動の漏れを防ぎ、推定精度を向上させる。
• L2 フレームワークにおけるスペクトル分解を用いて、共通および特徴的変動行列の一致推定器を導出する。
• 分解成分の閉形式解を採用することで、大規模データセットに対しても計算が効率的である。
• 一般化共分散分析 (GCCA) を拡張し、共通および特徴的変動の源を明示的に分離する。

実験結果

リサーチクエスチョン

• RQ1 確率変数の L2 空間における分解ベースの手法は、ユークリッド空間への近似に依存する手法と比較して、多オミクスデータにおける共通および特徴的変動の推定を改善できるか？
• RQ2 特徴的潜在要因に直交制約を課すことで、高次元データセットにおける検出されない共通変動の検出にどのような影響を与えるか？
• RQ3 共通および特徴的変動行列のための閉形式推定器を導出でき、一貫性と計算効率を保証できるか？
• RQ4 D-GCCA は、実世界およびシミュレーテッド多オミクスデータにおける有限標本性能と頑健性の観点から、最先端の手法と比較してどのように差をつけるか？
• RQ5 提案手法は、分解プロセスにおいて主成分分析の原則に一致することで、より解釈可能なフレームワークを提供するか？

主な発見

• D-GCCA は L2 空間フレームワーク下で共通および特徴的変動行列の一貫性のある推定を達成し、ユークリッド近似に依存する手法を上回る。
• 特徴的要因に直交制約を課すことで、検出されない共通変動の損失が顕著に低減され、検出力が向上する。
• 計算が効率的であることを保証する閉形式推定器を提供しており、特に大規模な高次元データセットにおいて顕著な利点を示す。
• 実証的結果から、D-GCCA はシミュレーション研究および実世界の多オミクスデータ応用において、既存の最先端手法を上回ることが示された。
• 分解フレームワークは、共通および特徴的変動の明確で解釈可能な分離を提供し、主成分分析の概念的基盤と整合的である。