Bayesian Plackett--Luce latent block models for ranked data

Resumen Técnico: Modelos de Bloques Latentes de Plackett–Luce Bayesianos para Datos de Clasificación

Planteamiento del Problema
Los datos de clasificación, que registran cómo los evaluadores ordenan un conjunto de elementos, son prevalentes en campos que van desde la genómica hasta la investigación del consumidor. Los modelos probabilísticos estándar, como el modelo de Plackett–Luce (PL), asumen un único conjunto de fuerzas de los elementos o permiten la heterogeneidad mediante mezclas específicas por evaluador. Sin embargo, los modelos de mezcla existentes suelen mantener un vector de fuerza separado para cada elemento dentro de cada grupo de evaluadores. Este enfoque no logra comprimir la dimensión de los elementos, lo que conduce a espacios de parámetros de alta dimensionalidad que son difíciles de estimar e interpretar, particularmente cuando el número de elementos es grande. Además, estos modelos no identifican directamente grupos de elementos que comparten roles similares a través de diferentes poblaciones de evaluadores. Los autores abordan la necesidad de un modelo que particione conjuntamente tanto a los evaluadores como a los elementos para revelar una estructura de co-clustering parsimoniosa y de inferir la complejidad de estas particiones a partir de los datos.

Metodología
El artículo introduce un modelo de bloques latentes de Plackett–Luce (PL-LBM) que modela conjuntamente los grupos de evaluadores y los bloques de elementos.

• Estructura del Modelo: El modelo asume que $L$ evaluadores pertenecen a $C$ grupos y $n$ elementos pertenecen a $K$ bloques. Dentro de un grupo de evaluadores específico $c$, todos los elementos en un bloque $k$ comparten un parámetro de fuerza común $\lambda_{ck}$. Esto resulta en una matriz de fuerzas de $C \times K$, una reducción significativa respecto a la matriz $C \times n$ requerida por las mezclas PL estándar.
• Prioris: Para evitar fijar el número de grupos ($C$) y bloques ($K$) a priori, los autores emplean prioris de partición Gnedin independientes para las asignaciones de evaluadores y de elementos. El proceso Gnedin es un prior de tipo Gibbs que asigna una probabilidad positiva a un número finito pero desconocido de grupos, asegurando que el número de grupos no crezca indefinidamente a medida que se observan más datos.
• Computación de la Posterior: La verosimilitud PL involucra denominadores que acoplan los parámetros de fuerza, lo que impide actualizaciones de conjugación directa. Los autores utilizan la aumentación de datos introduciendo tiempos de espera exponenciales latentes (siguiendo a Caron y Doucet, 2012), lo que restaura la conjugación Gamma para los parámetros de fuerza.
• Algoritmo de Muestreo: Se desarrolla un muestreador de Gibbs parcialmente colapsado. Este integra los parámetros de fuerza analíticamente para actualizar las asignaciones. Para navegar eficazmente el espacio de partición y evitar modos locales, el muestreador incorpora movimientos de Metropolis–Hastings de división-fusión (split–merge). El algoritmo incluye un paso de normalización por filas para manejar la invarianza de escala del modelo PL, descomponiendo las fuerzas en una escala de media geométrica y fuerzas relativas normalizadas.

Contribuciones Clave
El artículo realiza tres contribuciones metodológicas primarias:

1. Co-clustering Conjunto para Clasificaciones: Formula un modelo de bloques latentes específicamente para datos de clasificación que particiona conjuntamente evaluadores y elementos. A diferencia de los modelos anidados donde las agrupaciones de elementos varían según el grupo de evaluadores, este modelo estima una única partición global de elementos, proporcionando un sistema de coordenadas común para comparar poblaciones de evaluadores.
2. Inferencia de Complejidad No Paramétrica: Al utilizar prioris Gnedin independientes, el modelo infiere el número de grupos de evaluadores y bloques de elementos directamente de los datos, en lugar de requerir que estas dimensiones sean fijas o estén limitadas arbitrariamente.
3. MCMC Tratable con Movimientos de División-Fusión: Los autores derivan una posterior colapsada que permite actualizaciones de Gibbs eficientes. Combinan esto con propuestas de división-fusión para asegurar una exploración robusta del espacio de partición, logrando un costo computacional que es lineal en el número de evaluadores y elementos.

Resultados

• Estudio de Simulación: El modelo fue evaluado en datos sintéticos con variaciones en la fuerza de la señal (separación de la fuerza logarítmica), profundidad de clasificación y equilibrio de grupos. Los resultados indican que el modelo recupera con éxito ambas particiones latentes cuando la señal y la profundidad de clasificación son suficientes. En regímenes con señales débiles y clasificaciones superficiales, la masa posterior permanece dispersa sobre particiones plausibles, reflejando una incertidumbre genuina en lugar de un fallo del modelo. El estudio también mostró que la recuperación de los evaluadores se mantiene estable incluso cuando los elementos dentro de un verdadero bloque exhiben una ligera heterogeneidad, aunque la recuperación de los elementos se degrada a medida que aumenta la variación dentro del bloque.
• Aplicación a Datos Pan-Cáncer de TCGA: El modelo se aplicó a las clasificaciones de expresión génica de los 500 principales elementos a partir de 2,617 muestras de tumores a través de 1,247 genes.
  • Estructura: El modelo conjunto identificó 19 grupos de muestras y 259 bloques de genes. Los grupos de muestras se alinearon en gran medida con el origen del tejido (por ejemplo, grupos distintos para KIRC, GBM, LAML), mientras que también capturaron agrupaciones entre tejidos (por ejemplo, grupos mixtos de LUAD/LUSC).
  • Compresión: El modelo comprimió los 1,247 genes en 259 bloques, con un tamaño de bloque mediano de 4. Esto permitió la identificación de programas génicos compartidos a través de diferentes tipos de tumores. Por ejemplo, se encontró que un bloque específico de 10 genes tenía la mayor fuerza tanto en los grupos de carcinoma de células escamosas pulmonares como en los de células escamosas de la cabeza y el cuello.
  • Desempeño Predictivo: El modelo conjunto demostró un ajuste predictivo condicional mejorado (menor WAIC) en comparación con una mezcla PL de solo evaluadores, utilizando significativamente menos parámetros (4,921 frente a 14,964).
  • Interpretación Biológica: El análisis de enriquecimiento de conjuntos de genes (GSEA) basado en rangos sobre la posterior de las puntuaciones génicas apoyó las interpretaciones biológicas, identificando enriquecimientos de vías distintas para diferentes grupos de muestras (por ejemplo, señales del ciclo celular en grupos específicos de BRCA).

Significancia y Reivindicaciones
Los autores afirman que el PL-LBM ofrece una representación parsimonosa e interpretable de los datos de clasificación al separar la heterogeneidad en las clasificaciones de los evaluadores de la heterogeneidad en el tratamiento de los elementos. Al estimar una partición de elementos compartida, el modelo permite la comparación directa de la importancia de los elementos a través de diferentes grupos de evaluadores, una capacidad que carecen los modelos de mezcla estándar. La aplicación a los datos pan-cáncer demuestra la capacidad del modelo para revelar estructuras de muestras impulsadas por el tejido, comprimiendo la heterogeneidad a nivel de gen en bloques interpretables. Los autores señalan que la limitación principal es la suposición de una única partición de elementos compartida y de una fuerza igual dentro de los bloques, lo cual puede ser restrictivo si los grupos de evaluadores clasifican los elementos de manera fundamentalmente distinta o si existe una heterogeneidad sustancial dentro de los bloques. Sin embargo, el modelo proporciona un marco robusto para el co-clustering de datos de clasificación con selección automática de complejidad.