[论文解读] General notions of depth for functional data

Karl Mosler, Yulia Polyakova|arXiv (Cornell University)|Aug 9, 2012

Advanced Statistical Methods and Models参考文献 23被引用 34

一句话总结

本文提出了一种在巴拿赫空间中使用 $Φ$-depth 的函数数据深度的一般性框架，定义为将巴拿赫空间 $E$ 映射到 $δ$-维空间的一组线性泛函上多元深度的下确界。该研究建立了一套函数深度的最小公理，引入了如位置-斜率深度和主成分深度等新型深度类型，并证明该方法在保持关键深度性质的同时，能够实现对函数数据分析的稳健且可解释的中心区域。

ABSTRACT

A data depth measures the centrality of a point with respect to an empirical distribution. Postulates are formulated, which a depth for functional data should satisfy, and a general approach is proposed to construct multivariate data depths in Banach spaces. The new approach, mentioned as Phi-depth, is based on depth infima over a proper set Phi of R^d-valued linear functions. Several desirable properties are established for the Phi-depth and a generalized version of it. The general notions include many new depths as special cases. In particular a location-slope depth and a principal component depth are introduced.

研究动机与目标

• 建立无限维巴拿赫空间中函数数据深度的一般性、公理化理论。
• 解决经典深度概念（如塔基深度）在函数设置下因单位球非紧致性而失效的问题。
• 提出一种灵活、通用的函数深度类——$Φ$-depth，推广现有概念并允许数据驱动的方面选择。
• 引入新型深度类型，如位置-斜率深度和主成分深度，以改进函数数据的分析。
• 确保所得深度函数满足对称性、连续性以及有意义的中心区域等理想性质。

提出的方法

• 通过巴拿赫空间 $E$ 到 $\mathbb{R}^d$ 的线性泛函集合 $\Phi$ 上 $d$-维深度的下确界，定义一类通用的函数数据深度。
• 制定函数深度的最小公理（D1–D5），包括平移不变性、线性不变性、无穷远处为零以及连续性。
• 将中心区域 $D_\alpha$ 构造为深度函数的上水平集，确保其能反映数据云的位置、尺度和形状。
• 引入专门的 $Φ$-depth 变体：图深度（基于点值评估）、网格深度（基于离散时间点）和主成分深度（基于主成分载荷）。
• 提出一种广义 $Φ$-depth，使用加权下确界和数据相关的 $\Phi$，增强灵活性与鲁棒性。
• 证明即使在无限维空间中，该深度仍为良定义且非平凡，避免了塔基深度在标准函数设置下趋于零的问题。

实验结果

研究问题

• RQ1 在无限维巴拿赫空间中，确保函数深度具有意义且稳健的最小公理集合是什么？
• RQ2 如何构建一种通用的函数深度，使其推广多元深度概念的同时仍具备计算可行性？
• RQ3 $Φ$-depth 框架能否避免经典深度（如塔基深度）在函数数据设置下趋于零的问题？
• RQ4 线性泛函集合 $\Phi$ 的不同选择如何影响深度检测中心区域和异常值的能力？
• RQ5 该框架能否支持新型深度类型（如主成分深度），以实现降维与深度分析的融合？

主要发现

• $Φ$-depth 框架满足所有最小公理（D1–D5），包括平移不变性、线性不变性和连续性，确保了稳健性与可解释性。
• 该深度在无限维空间中非平凡，而塔基深度在标准函数设置下会以概率为一趋于零。
• 位置-斜率深度作为 $Φ$-depth 的特例，同时纳入函数值与导数信息，可实现对形变函数数据的分析。
• 主成分深度通过将 $d$-维深度应用于前 $m$ 个主成分载荷得到，提供具有强判别能力的数据自适应深度。
• 使用数据相关 $\Phi$ 和加权下确界的广义 $Φ$-depth 保持了核心公理，增强了对现实世界数据的灵活性。
• 总体 $Φ$-depth 的版本通常为平凡，因此该方法最好被理解为一种纯粹的数据分析工具，用于修剪、分类和异常值检测。