[论文解读] FuDGE: A Method to Estimate a Functional Differential Graph in a High-Dimensional Setting

Boxin Zhao, Y. Samuel Wang+1 more|arXiv (Cornell University)|Mar 11, 2020

Metabolomics and Mass Spectrometry Studies被引用 8

一句话总结

该论文提出FuDGE方法，通过直接建模精度算子之间的差异，而非分别估计个体图，来估计功能差异图——即捕捉两组多元功能数据之间条件依赖结构差异的图。该方法在离散观测的功能数据高维设置下，仍能实现稀疏差异图的一致估计。

ABSTRACT

We consider the problem of estimating the difference between two undirected functional graphical models with shared structures. In many applications, data are naturally regarded as a vector of random functions rather than as a vector of scalars. For example, electroencephalography (EEG) data are treated more appropriately as functions of time. In such a problem, 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. This is further complicated by the fact that curves are usually observed only at discrete time points. We first define a functional differential graph that captures the differences between two functional graphical models and formally characterize when the functional differential graph is well defined. We then propose a method, FuDGE, that directly estimates the functional differential graph without first estimating each individual graph. This is particularly beneficial in settings where the individual graphs are dense but the differential graph is sparse. We show that FuDGE consistently estimates the functional differential graph even in a high-dimensional setting for both fully observed and discretely observed function paths. We illustrate the finite sample properties of our method through simulation studies. We also propose a competing method, the Joint Functional Graphical Lasso, which generalizes the Joint Graphical Lasso to the functional setting. Finally, we apply our method to EEG data to uncover differences in functional brain connectivity between a group of individuals with alcohol use disorder and a control group.

研究动机与目标

• 解决在数据为曲线而非标量时，估计两组多元功能数据之间条件依赖结构差异的挑战。
• 将功能差异图的形式化定义为两个功能图模型之间的差异，尤其在个体图密集但差异图稀疏的情况下。
• 开发一种直接估计方法，跳过个体图的估计，从而在高维设置下提升效率与一致性。
• 在完全观测与离散观测功能路径下，建立所提方法的理论一致性。
• 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

• FuDGE通过建模两组功能数据之间精度算子的差异，直接估计功能差异图，避免分别估计每个个体图。
• 该方法采用带功能性图Lasso型惩罚的惩罚似然方法，通过希尔伯特-施密特范数实现差异图的稀疏性，从而实现算子估计。
• 结合功能数据分析技术，包括Karhunen-Loève展开，将曲线表示在可分希尔伯特空间中，以处理无限维观测。
• 在高维渐近下建立理论一致性，其中功能变量数 $ p $ 可能超过样本量 $ n $，利用随机希尔伯特空间值过程的浓度不等式与矩界。
• 通过偏差校正的经验协方差算子估计器，处理离散观测功能数据中的测量误差与不规则采样。
• 提出一种竞争方法——联合功能图Lasso，作为联合图Lasso在功能设置下的推广，用于对比评估。

实验结果

研究问题

• RQ1 当底层功能数据位于无限维空间时，能否正式定义并一致估计功能差异图？
• RQ2 在稀疏差异结构的高维设置下，通过FuDGE直接估计差异图是否优于分步估计个体图的方法？
• RQ3 当功能数据仅在离散、不规则的时间点观测时，该方法表现如何？
• RQ4 FuDGE能否利用真实EEG数据恢复对照组与酒精使用障碍患者之间脑连接模式的有意义差异？
• RQ5 在高维、非参数设置下，FuDGE一致估计功能差异图的理论条件是什么？

主要发现

• FuDGE在高维渐近下一致估计功能差异图，即使 $ p o ty $ 且 $ n $ 固定或缓慢增长。
• 当真实差异图稀疏时，该方法能一致恢复差异图结构，即使个体图密集。
• 理论分析表明，FuDGE的估计误差以速率 $ O_pig( rac{D_{1,f} heta^2| au|/2 + D_{0,f} heta}{T} ig) $ 衰减，其中 $ D_{1,f} $ 和 $ D_{0,f} $ 分别控制功能路径的平滑性与变异性。
• 模拟研究显示，FuDGE在真正例率与假发现率方面均优于基线方法，尤其在高维与稀疏差异设置下表现更优。
• 在EEG应用中，FuDGE识别出酒精使用障碍患者与对照组之间在额叶与颞叶区域的功能脑连接显著差异。
• 联合功能图Lasso虽为联合图Lasso在功能设置下的有效推广，但在稀疏差异估计任务中性能仍低于FuDGE。