[论文解读] Adaptive Inferential Method for Monotone Graph Invariants

Junwei Lu, Matey Neykov+1 more|arXiv (Cornell University)|Jul 28, 2017

Statistical Methods and Inference参考文献 62被引用 5

一句话总结

本文提出了一种新颖的跳过-向下算法，用于在高斯图模型下测试嵌套假设并构建单调图不变量（如最大度数、连通子图数量和团大小）的自适应置信区间。该方法实现了适应未知信号强度的最优置信区间长度，所需条件显著弱于完美图恢复，且在模拟数据和一项脑成像数据集上得到验证。

ABSTRACT

We consider the problem of undirected graphical model inference. In many applications, instead of perfectly recovering the unknown graph structure, a more realistic goal is to infer some graph invariants (e.g., the maximum degree, the number of connected subgraphs, the number of isolated nodes). In this paper, we propose a new inferential framework for testing nested multiple hypotheses and constructing confidence intervals of the unknown graph invariants under undirected graphical models. Compared to perfect graph recovery, our methods require significantly weaker conditions. This paper makes two major contributions: (i) Methodologically, for testing nested multiple hypotheses, we propose a skip-down algorithm on the whole family of monotone graph invariants (The invariants which are non-decreasing under addition of edges). We further show that the same skip-down algorithm also provides valid confidence intervals for the targeted graph invariants. (ii) Theoretically, we prove that the length of the obtained confidence intervals are optimal and adaptive to the unknown signal strength. We also prove generic lower bounds for the confidence interval length for various invariants. Numerical results on both synthetic simulations and a brain imaging dataset are provided to illustrate the usefulness of the proposed method.

研究动机与目标

• 为无向图模型下的单调图不变量建立统一的推断框架。
• 在嵌套假设（如最大度数和连通分量数量）上实现具有族错误率控制的假设检验。
• 构建对未知信号强度具有适应性且长度最优的不变量置信区间。
• 放宽传统图恢复方法对最小信号强度的要求。
• 在模拟数据和一项功能脑网络数据集上展示该方法的实用性。

提出的方法

• 提出一种跳过-向下算法，对所有可能的单调图不变量 I 的嵌套假设 H0k: I ≤ k 进行检验。
• 使用高斯乘子自助法近似检验统计量的零分布，从而实现有效的族错误率控制。
• 通过三重交叉验证实现数据驱动的调参过程，以选择 CLIME 估计器的正则化参数。
• 利用不变量在边添加下的单调性，设计一种向后搜索策略，高效识别临界边集。
• 通过反转跳过-向下检验构建置信区间，确保其有效性与适应性。
• 将该框架应用于高斯图模型，并讨论其向指数族和半参数模型的扩展。

实验结果

研究问题

• RQ1 我们能否在弱于完美图恢复所需条件的假设下，对单调图不变量的嵌套假设实现具有族错误率控制的检验？
• RQ2 是否可能构建对未知信号强度具有适应性且长度最优的单调图不变量置信区间？
• RQ3 与现有方法相比，所提出的跳过-向下算法在最大度数和连通分量等不变量上的检验功效和区间宽度表现如何？
• RQ4 在高维设置下，各类单调不变量的置信区间长度的理论下界是什么？
• RQ5 该方法能否检测出完整故事与打乱词序条件下脑网络拓扑的生物学上有意义的差异？

主要发现

• 所提出的跳过-向下算法可为单调图不变量提供有效置信区间，其长度最优且能自适应未知信号强度。
• 置信区间长度被证明在对数因子范围内为极小化最优，临界信号强度阈值为 √(log d / n) 量级。
• 在脑成像应用中，完整故事条件下连通子图数量显著更少，最大度数更高，表明网络拓扑更具整合性。
• 该方法检测到具有生物学意义的连接模式，例如在完整故事聆听过程中，背外侧前额叶皮层与下额盖区之间的耦合更强。
• 该算法成功识别出楔前叶在完整故事情境网络中作为高阶度中心节点，与之在高级认知处理中的作用一致。
• 理论下界结果证实，信号强度 √(log d / n) 是实现一大类单调不变量最优推断的关键阈值。