[论文解读] Limit theorems for sequences of random trees

David J. Balding, Pablo A. Ferrari+2 more|ArXiv.org|Jun 14, 2004

Data Management and Algorithms参考文献 9被引用 5

一句话总结

本文在根树的紧致度量空间中，为独立同分布的随机树序列建立了大数定律和不变性原理，定义了d-均值树为最小化期望距离的树。提出了一种基于经验过程上确界的柯尔莫哥洛夫-斯米尔诺夫型拟合优度检验，通过在推导出的网络中使用最小割算法实现高效计算，使得即使在均值树相同的情况下，也能对树分布进行统计推断。

ABSTRACT

We consider a random tree and introduce a metric in the space of trees to define the ``mean tree'' as the tree minimizing the average distance to the random tree. When the resulting metric space is compact we have laws of large numbers and central limit theorems for sequence of independent identically distributed random trees. As application we propose tests to check if two samples of random trees have the same law.

研究动机与目标

• 通过在度量空间中将d-均值树定义为平均距离最小化的树，为随机树序列开发统计工具。
• 在紧致度量空间中，为独立同分布的随机树序列建立强大大数定律和不变性原理。
• 提出一种基于经验过程上确界的通用拟合优度检验，用于树分布。
• 通过将检验统计量的计算转化为网络中的最小割问题，实现高效计算。
• 在模拟的Galton-Watson树和真实的FGF蛋白家族数据上验证该方法。

提出的方法

• 使用{0,1}^Ṽ上的乘积拓扑定义根树的度量空间，其中Ṽ是所有有限序列构成的顶点索引集。
• 引入d-均值作为使与具有分布ν的随机树的ν-平均d-距离最小化的树。
• 在紧致性和唯一性条件下，证明经验d-均值几乎必然收敛到真实d-均值。
• 利用主要测度条件和Ledoux-Talagrand定理，建立过程(gₙ(y) − g(y))，y ∈ T的不变性原理。
• 将检验统计量构造为|gₙ(y) − g(y)|在y ∈ T上的上确界，用于衡量对零分布的偏离程度。
• 将上确界的计算转化为网络中的最小割问题，从而通过图算法实现高效计算。

实验结果

研究问题

• RQ1 能否在树的度量空间中为独立同分布的随机树序列建立大数定律和不变性原理？
• RQ2 d-均值是否能为随机树的底层分布提供一致估计？
• RQ3 经验过程在树空间上的上确界能否作为拟合优度检验的有效统计量？
• RQ4 该检验统计量的计算在大规模树上是否可行，能否简化为已知的组合优化问题？
• RQ5 当均值树相同时，该方法能否区分不同的树生成过程？

主要发现

• 在紧致性和唯一性条件下，经验d-均值几乎必然收敛到真实d-均值，确立了估计量的一致性。
• 过程(gₙ(y) − g(y))满足不变性原理，意味着上确界偏离的渐近分布是已知的。
• 检验统计量sup_y |gₙ(y) − g(y)|在零假设下为分布自由，适用于柯尔莫哥洛夫-斯米尔诺夫型检验。
• 上确界的计算被简化为推导出的网络中的最小割问题，从而实现多项式时间计算。
• 该方法成功区分了不同的Galton-Watson过程，并对FGF蛋白家族进行了分类，即使其均值树相同。
• 在给定度量下，树的空间不具有负曲率，这使其与如系统发育树空间等CAT(0)空间相区别。