[论文解读] Bayesian Graphical Models for Multivariate Functional Data

Hongxiao Zhu, Nate Strawn+1 more|arXiv (Cornell University)|Nov 15, 2014

Bayesian Modeling and Causal Inference参考文献 39被引用 23

一句话总结

该论文提出了一种基于正交基展开的高斯过程图形模型的贝叶斯图形模型框架，用于多变量函数型数据。该方法引入了超逆威沙特过程先验以处理协方差核，建立了存在性、唯一性和共轭性等理论性质，支持通过随机搜索MCMC进行后验推断，并在脑活动和酒精使用障碍数据上展示了其性能。

ABSTRACT

Graphical models express conditional independence relationships among variables. Although methods for vector-valued data are well established, functional data graphical models remain underdeveloped. We introduce a notion of conditional independence between random functions, and construct a framework for Bayesian inference of undirected, decomposable graphs in the multivariate functional data context. This framework is based on extending Markov distributions and hyper Markov laws from random variables to random processes, providing a principled alternative to naive application of multivariate methods to discretized functional data. Markov properties facilitate the composition of likelihoods and priors according to the decomposition of a graph. Our focus is on Gaussian process graphical models using orthogonal basis expansions. We propose a hyper-inverse-Wishart-process prior for the covariance kernels of the infinite coefficient sequences of the basis expansion, establish existence, uniqueness, strong hyper Markov property, and conjugacy. Stochastic search Markov chain Monte Carlo algorithms are developed for posterior inference, assessed through simulations, and applied to a study of brain activity and alcoholism.

研究动机与目标

• 开发一种在多变量函数型数据设置下具有原则性的贝叶斯图形模型框架，其中数据为随机函数而非向量。
• 将马尔可夫随机场和超马尔可夫律从有限维随机向量推广至无限维随机过程，确保测度论上的严谨性。
• 为正交基展开中函数系数序列的协方差核构造一种先验分布——具体而言，是超逆威沙特过程（hyper-inverse-Wishart-process）先验。
• 通过尊重可分解图中编码的条件独立结构的随机搜索MCMC算法，实现后验推断。
• 在真实神经影像数据上展示该方法的实用性，表明与朴素离散化方法相比，其在酒精使用障碍研究中能更优地建模脑活动网络。

提出的方法

• 通过正交基展开表示函数型数据，将函数空间映射为ℓ²(ℕ)中系数序列的等距同构空间。
• 通过无向可分解图结构上的马尔可夫性质，定义随机函数之间的条件独立性。
• 为系数序列的协方差核引入超逆威沙特过程（HIWP）先验，确保强超马尔可夫性质和共轭性。
• 建立理论性质：在先验下算子的存在性、唯一性以及几乎必然的迹类有限性。
• 通过利用每个团块的边缘后验分布推导后验分布，借助强超马尔可夫性质确保全局后验构造的一致性。
• 开发了随机搜索MCMC算法，用于探索可分解图空间，并联合更新精度矩阵和图结构。

实验结果

研究问题

• RQ1 如何在贝叶斯框架中正式定义并建模随机函数之间的条件独立性结构？
• RQ2 是否存在一种有效且理论基础坚实的先验分布，用于函数系数序列的协方差算子，以支持图形结构学习？
• RQ3 能否在无限维函数型设定下构造出保持强超马尔可夫性质和共轭性的超逆威沙特过程先验？
• RQ4 如何在图结构未知的高维函数型图形模型中高效地进行后验推断？
• RQ5 与应用于离散化函数型数据的朴素多变量方法相比，该方法在理论一致性和经验性能上是否表现更优？

主要发现

• 证明了超逆威沙特过程先验的存在性、唯一性，并满足强超马尔可夫性质，从而在函数型设定下支持有效的贝叶斯更新。
• 该先验确保所得到的算子在ℓ²(ℕ)中几乎必然为迹类且半正定，保证了其定义良好性。
• 后验分布由团块-wise 的边缘后验唯一确定，支持模块化计算和理论一致性。
• 通过模拟研究验证了随机搜索MCMC算法的成功实现，展示了对真实图结构的准确恢复能力。
• 该方法应用于脑活动与酒精使用障碍数据集，揭示了标准多变量方法未能捕捉到的、具有生物学合理性的功能连接条件独立模式。
• 该方法避免了朴素离散化或特征提取的缺陷，提供了理论稳健的极限行为，并在函数型数据分析中实现了更高的可解释性。