[论文解读] Learning Functional Graphs with Nonlinear Sufficient Dimension Reduction

Kyongwon Kim, Bing Li|arXiv (Cornell University)|Jan 22, 2026

Bayesian Modeling and Causal Inference被引用 0

一句话总结

论文提出一种基于非参数非线性充分降维的功能图模型（f-SGM），用于在不依赖高斯假设的情况下检测功能节点之间的条件独立性。

ABSTRACT

Functional graphical models have undergone extensive development during the recent years, leading to a variety models such as the functional Gaussian graphical model, the functional copula Gaussian graphical model, the functional Bayesian graphical model, the nonparametric functional additive graphical model, and the conditional functional graphical model. These models rely either on some parametric form of distributions on random functions, or on additive conditional independence, a criterion that is different from probabilistic conditional independence. In this paper we introduce a nonparametric functional graphical model based on functional sufficient dimension reduction. Our method not only relaxes the Gaussian or copula Gaussian assumptions, but also enhances estimation accuracy by avoiding the ``curse of dimensionality''. Moreover, it retains the probabilistic conditional independence as the criterion to determine the absence of edges. By doing simulation study and analysis of the f-MRI dataset, we demonstrate the advantages of our method.

研究动机与目标

• 为脑区域等应用中观测到的随机函数建立功能图模型的动机。
• 提出一个非参数框架，避免高斯或 Copula 约束，同时保留概率性的条件独立性作为边界准则。
• 开发一个两步估计程序，将功能非线性 SDR 与条件独立性阈值规则结合起来。
• 通过仿真实验和对 f-MRI 数据集的应用，验证该方法的有效性。

提出的方法

• 用对希尔伯特空间直接并的图来定义 f-SGM，以对功能节点建模。
• 进行功能性非线性 SDR（f-GSIR），通过求解一个特征值问题来估计回归算子 R_{X^{-(i,j)}X^{(i,j)}} 的作用域，从而获得中心 sigma 代问。
• 将充分预测变量 U^{ij} 表示为对应于中心子空间的前 d_{ij} 个特征函数。
• 使用混合的 Conjoined Conditional Covariance Operator（CCCO）通过核条件化来测试在给定 U^{ij} 时 X^i 与 X^j 的条件独立性。
• 要求普适核以及密度/致密性条件，以保证 CCCO 能正确捕捉条件独立性。
• 给出总体水平的公式，并讨论在样本水平的实际实现。

Figure 1 : Example of human brain network (left) and f-MRI functional data for control group (upper right) and ADHD group (lower right).

实验结果

研究问题

• RQ1 在不假设高斯性或 Copula 结构的情况下，能否恢复 p 个功能节点之间的条件独立图？
• RQ2 非线性充分降维是否在保留概率性条件独立性准则的同时，足够降低功能数据的维数？
• RQ3 在 X^i 位于希尔伯特空间且 U^{ij} 为欧几里得时，如何构造并使用混合核算子来测试 X^i ⟂ X^j | U^{ij}？
• RQ4 所提出的 f-SGM 相较于现有的功能图模型，在仿真和 fMRI 数据上表现如何？

主要发现

• 提出将功能非线性 SDR 与条件独立性阈值规则结合的 f-SGM。
• 展示来自非线性 SDR 的中心 sigma-域能够在不依赖加性或高斯假设的情况下实现边的判定。
• 在混合的希尔伯特-欧几里得设置中使用 CCCO 来检验条件独立性。
• 认为该方法有助于缓解高维功能图中的维数灾难。
• 通过仿真和对 f-MRI 数据的应用，展示相对于参数方法的优势。

Figure 2 : ROC curves for four estimators. Upper left: balanced case with $n=100$ ; lower left: balanced case with $n=200$ ; upper right: unbalanced case with $n=100$ ; lower right: unbalanced case with $n=200$ .