[论文解读] Direct Estimation of Differential Functional Graphical Models

Boxin Zhao, Y. Samuel Wang+1 more|arXiv (Cornell University)|Oct 22, 2019

Bayesian Modeling and Causal Inference被引用 5

一句话总结

本文提出FuDGE，一种用于差异功能图模型的直接估计方法，可在不分别估计单个图的情况下，识别两组功能数据（如EEG信号）之间条件独立结构的差异。该方法在功能高斯过程框架下对精度矩阵差异进行稀疏估计，即使在单个图密集时也能实现一致的差异图恢复。

ABSTRACT

We consider the problem of estimating the difference between two functional undirected graphical models with shared structures. In many applications, data are naturally regarded as high-dimensional random function vectors rather than multivariate scalars. For example, electroencephalography (EEG) data are more appropriately treated as functions of time. In these problems, not only can the number of functions measured per sample be large, but each function is itself an infinite dimensional object, making estimation of model parameters challenging. We develop a method that directly estimates the difference of graphs, avoiding separate estimation of each graph, and show it is consistent in certain high-dimensional settings. We illustrate finite sample properties of our method through simulation studies. Finally, we apply our method to EEG data to uncover differences in functional brain connectivity between alcoholics and control subjects.

研究动机与目标

• 解决当数据为高维曲线而非标量向量时，估计功能图模型差异的挑战。
• 克服单独图估计方法的局限性，该方法在单个图密集或存在枢纽节点时失效。
• 开发一种直接估计两组功能数据之间差异图结构的方法。
• 在高维渐近设置下，针对稀疏差异结构，建立该方法的理论一致性。
• 将该方法应用于真实EEG数据，揭示酒精使用障碍患者与对照组之间的连接差异。

提出的方法

• 在多元高斯过程（MGP）假设下，将问题表述为估计两组功能数据精度矩阵差异的估计问题。
• 提出一种直接估计框架——功能差异图估计（FuDGE），通过直接建模差异矩阵 Δ = Θ^X − Θ^Y 来绕过单独图估计。
• 采用带ℓ1型惩罚的似然估计方法，对差异矩阵施加惩罚以在差异图中实现稀疏性。
• 通过基展开（如B样条）表示协方差和交叉协方差函数，采用离散化优化方法估计功能精度矩阵的差异。
• 应用组-lasso型正则化，以在功能时间点和变量对之间促进结构化稀疏性。
• 在样本量增长且函数数量p随之增长的高维设定下，推导出理论一致性，假设差异图是稀疏的。

实验结果

研究问题

• RQ1 我们能否在不分别估计每个图的情况下，一致地估计两组功能数据之间条件独立结构的差异？
• RQ2 在个体图密集的高维功能数据中，直接估计差异图是否优于分步估计方法？
• RQ3 该方法能否利用EEG数据检测出酒精使用障碍患者与对照组之间脑连接模式的有意义差异？
• RQ4 在功能数据设定下，差异图在何种理论条件下可被一致恢复？
• RQ5 与AIC/BIC或多重图估计等替代方法相比，该方法在有限样本下的表现如何？

主要发现

• 在Model1下，模拟研究中FuDGE的AUC达到0.99（p=30），显著优于AIC、BIC及多重图估计策略。
• 在Model2中，尽管个体图密集，FuDGE仍保持优异性能（p=30时AUC≈0.90），而AIC和BIC表现差（AUC≈0.5），证实对密集底层图的鲁棒性。
• 在Model3中，p=90时FuDGE的AUC保持在0.74以上，而AIC和BIC仍为0.5，表明其在稀疏差异结构检测中的优越性。
• 在多重图估计有效的场景中，FuDGE仍表现具有竞争力（p=120时AUC为0.94），显示出在不同设定下的灵活性。
• 该方法成功识别出真实EEG数据中酒精使用障碍患者与对照组之间功能脑连接的显著差异，揭示了前额叶和颞叶区域连接模式的改变。
• 理论分析证实，当差异矩阵为稀疏时，FuDGE在高维渐近设定下可一致恢复真实差异图。