Resumen Técnico: PARAFAC Funcional Latente para el Modelado de Datos Longitudinales Multidimensionales

1. Planteamiento del Problema

El artículo aborda el desafío de analizar datos longitudinales de alta dimensión organizados como tensores, donde un modo (típicamente el tiempo) exhibe una estructura funcional continua y suave, y otro modo (el modo de la muestra) representa extracciones aleatorias de una distribución subyacente.

Los métodos existentes enfrentan limitaciones específicas en este contexto:

• CPD Estándar (CANDECOMP/PARAFAC): Aunque es eficaz para la reducción de la dimensionalidad, el CPD estándar trata las entradas como valores discretos. No logra integrar la estructura continua inherente de los datos funcionales y no puede manejar esquemas de muestreo irregulares o dispersos, comunes en estudios longitudinales.
• Análisis de Datos Funcionales (FDA): Los métodos como el Análisis de Componentes Principales Funcionales (FPCA) manejan la suavidad, pero suelen estar limitados a datos con valores vectoriales o requieren vectorizar los tensores, lo que destruye la estructura del tensor y se vuelve computacionalmente inviable para tensores de alto orden.
• Híbridos Tensor-Funcionales Existentes: Intentos previos de combinar estos campos (por ejemplo, Guan [2023], Han et al. [2023]) suelen estar restringidos a órdenes de tensores específicos (por ejemplo, orden-3), carecen de modelado probabilístico para dar cuenta de la aleatoriedad del muestreo o no pueden manejar diseños de muestreo irregulares.

Los autores identifican una brecha para un marco general capaz de descomponer tensores funcionales de cualquier orden, acomodando el muestreo disperso e irregular y modelando explícitamente la aleatoriedad inherente del modo de la muestra.

2. Metodología

2.1 El Modelo de PARAFAC Funcional Latente (LF-PARAFAC)

Los autores proponen un nuevo modelo de descomposición que extiende el CPD de rango-$R$ a tensores funcionales en un espacio de Hilbert $\mathcal{H} = L^2(I)^{p_1 \times \dots \times p_D}$.

El modelo representa un tensor funcional aleatorio $\mathbf{X}$ como:
$$\mathbf{X}(t) \approx \sum_{r=1}^R u_r \phi_r(t) (\mathbf{a}_{1r} \circ \dots \circ \mathbf{a}_{Dr})$$
Donde:

• $\phi_r(t) \in L^2(I)$ son componentes funcionales suaves (funciones de base) para el modo continuo.
• $\mathbf{a}_{dr} \in \mathbb{R}^{p_d}$ son matrices de factores fijas para los modos discretos.
• $u_r$ son variables aleatorias que representan las puntuaciones del modo de la muestra, extraídas de una distribución (típicamente Gaussiana) para capturar la naturaleza estocástica de los datos.
• $\mathbf{U} = (u_1, \dots, u_R)$ es el vector de puntuaciones aleatorias latentes.

Esta formulación, denominada LF-PARAFAC, integra la suavidad de los datos funcionales con la estructura probabilística de la descomposición de tensores.

2.2 Estimación mediante Relajación por Bloques Basada en Covarianza

Para estimar los parámetros ($\Phi, \mathbf{A}_1, \dots, \mathbf{A}_D, \Lambda$), los autores derivan un algoritmo de relajación por bloques basado en la covarianza (Algoritmo 1).

• Objetivo: La optimización minimiza el error cuadrático esperado entre el tensor observado y el modelo. Al integrar la variable aleatoria $\mathbf{U}$, el problema se reformula para depender únicamente de la estructura de covarianza de los datos.
• Superficies de Covarianza: El algoritmo se basa en la estimación de matrices de covarianza colapsadas funcionales, $\Sigma^{[f]}(s,t)$ y $\Sigma^{[d]}(s,t)$. Estas se derivan de las superficies de cocovarianza cruzada de las entradas funcionales.
• Manejo de la Irregularidad: Siguiendo el enfoque de Yao et al. [2005], el método estima estas superficies de covarianza utilizando suavizado lineal local sobre una rejilla regular. Esto permite al método manejar esquemas de muestreo dispersos e irregulares sin requerir imputación de datos o alineación.
• Procedimiento Iterativo: El algoritmo alterna entre la actualización de la matriz de covarianza de los componentes funcionales ($\Phi$), las matrices de factores discretos ($\mathbf{A}_d$) y la matriz de covarianza de las puntuaciones latentes ($\Lambda$) hasta la convergencia.

2.3 Inferencia del Modo de la Muestra (Enfoque Bayesiano)

Para un sujeto específico con observaciones dispersas, la estimación directa de las puntuaciones latentes $\mathbf{U}$ mediante mínimos cuadrados puede ser inestable. Los autores proponen un estimador bayesiano (Proposición 4) asumiendo una distribución conjunta Gaussiana para las puntuaciones latentes y los errores residuales. Esto produce un estimador de Bayes empírico que toma prestada la fuerza de la estructura de covarianza poblacional para predecir trayectorias individuales, incluso con muy pocas observaciones.

2.4 Identificabilidad

El artículo establece las condiciones para la identificabilidad del modelo LF-PARAFAC (Proposición 3). Bajo restricciones de escala y permutación, el modelo es identificable si el espacio funcional es de dimensión infinita y los rangos-$k$ de las matrices de factores satisfacen una desigualdad específica similar a las condiciones estándar de CPD.

3. Contribuciones Clave

1. Marco General: Introducción del modelo LF-PARFAC, que extiende el CPD a tensores funcionales de cualquier orden incorporando una estructura latente probabilística.
2. Robustez al Muestreo: Desarrollo de un procedimiento de estimación basado en la covarianza que maneja naturalmente esquemas de muestreo dispersos e irregulares, una característica crítica para datos longitudinales donde los puntos temporales varían entre sujetos.
3. Integración Probabilística: Modelado explícito del modo de la muestra como una distribución aleatoria, lo que permite capturar de manera más eficiente la aleatoriedad subyacente y posibilita la inferencia bayesiana para sujetos individuales.
4. Solución Algorítmica: Derivación de un algoritmo de relajación por bloques que utiliza superficies de cocovarianza cruzada, haciendo que la descomposición sea computacionalmente factible para datos de alta dimensión y dispersos.

4. Resultados

4.1 Aplicación a Datos de ADNI

El método se aplicó al conjunto de datos de la Iniciativa de Neuroimagen de la Enfermedad de Alzheimer (ADNI), analizando 6 puntuaciones neurocognitivas (ADAS, MMSE, RAVLT, FAQ, MOCA, LDEL) durante 10 años para 888 sujetos (518 con Cognición Normal, 370 con Enfermedad de Alzheimer).

• Características de los Datos: Los datos presentaban un muestreo altamente irregular (1064 puntos temporales únicos) y valores faltantes, lo que causaba que el PARAFAC estándar fallara.
• Hallazgos: Una descomposición de rango-4 capturó trayectorias distintas:
  • Componente 1: Capturó un deterioro cognitivo agudo durante los primeros 5 años, separando claramente a los pacientes con AD (puntuaciones de deterioro altas) de los pacientes con CN (Cognición Normal).
  • Componente 2: Describió medidas cognitivas estables a lo largo de la década.
  • Componente 3: Representó un declive lento y gradual.
  • Componente 4: Capturó la varianza compartida entre las puntuaciones de MOCA y MMSE.
• Interpretabilidad: Los componentes funcionales proporcionaron trayectorias suaves e interpretables, y las puntuaciones latentes estratificaron efectivamente a los pacientes por diagnóstico.

4.2 Estudio de Simulación

Se realizaron simulaciones en tensores sintéticos de rangos 3, 5 y 10 con niveles variables de dispersión (0% a 80% de datos faltantes).

• Desempeño: Las simulaciones demostraron una "ventaja notable" del método LF-PARAFAC en la reconstrucción de tensores en comparación con enfoques existentes, particularmente bajo condiciones de alta dispersión e irregularidad de muestreo.
• Robustez: El método mantuvo la precisión en la recuperación de las estructuras funcionales y discretas subyacentes incluso cuando se eliminó una gran proporción de las observaciones.

5. Significancia y Reivindicaciones

El artículo sostiene que el enfoque LF-PARAFAC proporciona una extensión necesaria a las herramientas existentes de análisis de datos tensoriales y funcionales. Su principal significancia radica en su capacidad para:

• Unificar estructuras funcionales suaves con la descomposición de tensores probabilística.
• Operar eficazmente en entornos longitudinales realistas caracterizados por la dispersión y la irregularidad, donde los métodos tensoriales tradicionales fallan.
• Mejorar la interpretabilidad al proporcionar componentes funcionales suaves y puntuaciones probabilísticas que pueden vincularse con covariables (por ejemplo, el diagnóstico).

Los autores concluyen que, si bien el método muestra un fuerte desempeño en la reconstrucción y caracterización, está limitado por la necesidad de estimación de la covarianza (que requiere suficiente densidad de datos para el suavizado) y la suposición de distribuciones latentes Gaussianas. El trabajo futuro podría explorar extensiones no gaussianas y técnicas de suavizado alternativas.