[论文解读] Bayesian time-aligned factor analysis of paired multivariate time series

Arkaprava Roy, Jana Schaich Borg+1 more|PubMed|Apr 27, 2019

Sensory Analysis and Statistical Methods参考文献 33被引用 4

一句话总结

本文提出TACIFA，一种贝叶斯动态因子模型，通过灵活的时移函数对未知时间偏移进行建模，联合估计成对多变量时间序列中的共享成分与个体特异性成分。该方法实现了时间对齐的不确定性量化，并在模拟实验和一项社会同步性实验中表现出色，高精度地识别出一名个体在时间上跟随另一名个体的模式。

ABSTRACT

Many modern data sets require inference methods that can estimate the shared and individual-specific components of variability in collections of matrices that change over time. Promising methods have been developed to analyze these types of data in static cases, but only a few approaches are available for dynamic settings. To address this gap, we consider novel models and inference methods for pairs of matrices in which the columns correspond to multivariate observations at different time points. In order to characterize common and individual features, we propose a Bayesian dynamic factor modeling framework called Time Aligned Common and Individual Factor Analysis (TACIFA) that includes uncertainty in time alignment through an unknown warping function. We provide theoretical support for the proposed model, showing identifiability and posterior concentration. The structure enables efficient computation through a Hamiltonian Monte Carlo (HMC) algorithm. We show excellent performance in simulations, and illustrate the method through application to a social mimicry experiment.

研究动机与目标

• 为解决现有方法在建模成对多变量时间序列中共享与个体变异时，对时变滞后缺乏联合建模能力的问题。
• 开发一个完全的贝叶斯框架，通过非参数化时移函数将时间对齐的不确定性纳入模型。
• 通过哈密顿蒙特卡洛（HMC）实现高效的后验计算，同时确保模型可识别性与后验集中性。
• 将该方法应用于真实世界数据，特别是在社会同步性研究中，其中交互个体之间的时间错位现象普遍存在。

提出的方法

• TACIFA将成对矩阵建模为共享因子、个体特异性因子与误差项的组合，通过时移函数将共享成分的时间点对齐。
• 时移函数采用B样条进行非参数建模，并施加确保单调性与平滑性的先验，以实现灵活的时间对齐。
• 构建层次化贝叶斯模型，对因子载荷使用共轭先验，并采用非中心化参数化以改善MCMC混合效率。
• 通过哈密顿蒙特卡洛（HMC）进行后验推断，实现对联合后验分布的高效探索。
• 通过强制共享与个体因子载荷之间的正交性，确保各成分的可识别性。
• 通过后验预测检验与时移函数的可信区间，支持不确定性量化。

实验结果

研究问题

• RQ1 贝叶斯动态因子模型能否有效分离成对多变量时间序列中在未知时间对齐下的共享与个体成分？
• RQ2 如何在因子分析框架中正确量化并整合时间偏移的不确定性？
• RQ3 与两阶段对齐与推断方法相比，所提模型在预测准确率与覆盖率方面是否表现更优？
• RQ4 在社会同步性实验中，该模型在多大程度上能准确恢复交互个体间的真实时间滞后？
• RQ5 相关特征数量的多少如何影响成对时间序列间估计的相似性？

主要发现

• 在人类模仿数据集中，估计的时移函数始终位于恒等线以下，表明一名个体在整个实验过程中持续跟随另一名个体，准确捕捉了时间滞后。
• 与两阶段方法相比，TACIFA在两名个体上的预测均方误差（MSE）分别降低至4.25和2.21，而两阶段方法的MSE约为9。
• 在95%后验预测可信区间内，方法实现了95%和98%的频率覆盖，表明不确定性量化具有良好校准性。
• 共享因子空间包含13个重要成分，与面部对称性及协调的头部运动预期一致。
• 随着更多与头部运动相关的特征被纳入，相似性度量（Syn）从0.80提升至0.85，证实相关特征驱动了相似性。
• 模型成功识别出极低的个体特异性变异，符合协调模仿任务的预期，个体因子载荷的重要性较低。