Résumé Technique : LF-PARAFAC pour la modélisation de données longitudinales multidimensionnelles

1. Énoncé du Problème

L'article traite du défi de l'analyse de données longitudinales de haute dimension organisées sous forme de tenseurs, où un mode (typiquement le temps) présente une structure fonctionnelle lisse et continue, et un autre mode (le mode échantillon) représente des tirages aléatoires d'une distribution sous-jacente.

Les méthodes existantes font face à des limitations spécifiques dans ce contexte :

• CPD (CANDECOMP/PARAFAC) standard : Bien qu'efficace pour la réduction de dimensionnalité, le CPD standard traite les entrées comme des valeurs discrètes. Il ne parvient pas à intégrer la structure continue inhérente aux données fonctionnelles et ne peut pas gérer les schémas d'échantillonnage irréguliers ou creux (sparse) fréquents dans les études longitudinales.
• Analyse de Données Fonctionnelles (FDA) : Les méthodes telles que l'Analyse en Composantes Principales Fonctionnelles (FPCA) gèrent la lissité mais sont souvent limitées aux données à valeurs vectorielles ou nécessitent de vectoriser les tenseurs, ce qui détruit la structure tensorielle et devient informatiquement irréalisable pour des tenseurs d'ordre élevé.
• Hybrides Tenseur-Fonctionnels existants : Les tentatives précédentes pour combiner ces domaines (par exemple, Guan [2023], Han et al. [2023]) sont souvent restreintes à des ordres de tenseurs spécifiques (ex: ordre 3), manquent de modélisation probabiliste pour rendre compte de l'aléa de l'échantillonnage, ou ne peuvent pas gérer les plans d'échantillonnage irréguliers.

Les auteurs identifient un manque pour un cadre général capable de décomposer des tenseurs fonctionnels de n'importe quel ordre, en accommodant un échantillonnage creux et irrégulier, et en modélisant explicitement l'aléa inhérent du mode échantillon.

2. Méthodologie

2.1 Le Modèle Latent Functional PARAFAC (LF-PARAFAC)

Les auteurs proposent un nouveau modèle de décomposition qui étend le CPD de rang-$R$ aux tenseurs fonctionnels dans un espace de Hilbert $\mathcal{H} = L^2(I)^{p_1 \times \dots \times p_D}$.

Le modèle représente un tenseur fonctionnel aléatoire $\mathbf{X}$ comme :
$$\mathbf{X}(t) \approx \sum_{r=1}^R u_r \phi_r(t) (\mathbf{a}_{1r} \circ \dots \circ \mathbf{a}_{Dr})$$
Où :

• $\phi_r(t) \in L^2(I)$ sont des composantes fonctionnelles lisses (fonctions de base) pour le mode continu.
• $\mathbf{a}_{dr} \in \mathbb{R}^{p_d}$ sont des matrices de facteurs fixes pour les modes discrets.
• $u_r$ sont des variables aléatoires représentant les scores du mode échantillon, tirées d'une distribution (typiquement gaussienne) pour capturer la nature stochastique des données.
• $\mathbf{U} = (u_1, \dots, u_R)$ est le vecteur des scores aléatoires latents.

Cette formulation, nommée LF-PARAFAC, intègre la lissité des données fonctionnelles avec la structure probabiliste de la décomposition tensorielle.

2.2 Estimation via la Relaxation par Blocs basée sur la Covariance

Pour estimer les paramètres ($\Phi, \mathbf{A}_1, \dots, \mathbf{A}_D, \Lambda$), les auteurs dérivent un algorithme de relaxation par blocs basé sur la covariance (Algorithme 1).

• Objectif : L'optimisation minimise l'erreur quadratique espérée entre le tenseur observé et le modèle. En intégrant la variable aléatoire $\mathbf{U}$, le problème est reformulé pour dépendre uniquement de la structure de covariance des données.
• Surfaces de Covariance : L'algorithme repose sur l'estimation de matrices de covariance fonctionnelles réduites, $\Sigma^{[f]}(s,t)$ et $\Sigma^{[d]}(s,t)$. Celles-ci sont dérivées des surfaces de co-variance croisée des entrées fonctionnelles.
• Gestion de l'Irrégularité : Suivant l'approche de Yao et al. [2005], la méthode estime ces surfaces de covariance en utilisant un lissage linéaire local sur une grille régulière. Cela permet à la méthode de gérer des échantillonnages creux et irréguliers sans nécessiter d'imputation ou d'alignement des données.
• Procédure Itérative : L'algorithme alterne entre la mise à jour de la matrice de covariance des scores latents ($\Lambda$), des composantes fonctionnelles ($\Phi$) et des matrices de facteurs discrets ($\mathbf{A}_d$) jusqu'à convergence.

2.3 Inférence du Mode Échantillon (Approche Bayésienne)

Pour un sujet spécifique avec des observations éparses, l'estimation directe des scores latents $\mathbf{U}$ via les moindres carrés peut être instable. Les auteurs proposent un estimateur bayésien (Proposition 4) supposant une distribution gaussienne jointe pour les scores latents et les erreurs résiduelles. Cela produit un estimateur bayésien empirique qui emprunte la force de la structure de covariance de la population pour prédire les trajectoires individuelles, même avec très peu d'observations.

2.4 Identifiabilité

L'article établit les conditions d'identifiabilité du modèle LF-PARAFAC (Proposition 3). Sous des contraintes d'échelle et de permutation, le modèle est identifiable si l'espace fonctionnel est de dimension infinie et que les rangs-$k$ des matrices de facteurs satisfont une inégalité spécifique similaire aux conditions standards du CPD.

3. Contributions Clés

1. Cadre Général : Introduction du modèle LF-PARAFAC, qui étend le CPD aux tenseurs fonctionnels de n'importe quel ordre tout en incorporant une structure latente probabiliste.
2. Robustesse à l'Échantillonnage : Développement d'une procédure d'estimation basée sur la covariance qui gère naturellement les schémas d'échantillonnage creux et irréguliers, une caractéristique critique pour les données longitudinales où les points temporels varient selon les sujets.
3. Intégration Probabiliste : Modélisation explicite du mode échantillon comme une distribution aléatoire, permettant de capturer plus efficacement l'aléa sous-jacent et de permettre l'inférence bayésienne pour les individus.
4. Solution Algorithmique : Dérivation d'un algorithme de relaxation par blocs qui utilise des surfaces de co-variance croisée, rendant la décomposition informatiquement réalisable pour des données de haute dimension et creuses.

4. Résultats

4.1 Application aux Données ADNI

La méthode a été appliquée au jeu de données de l'Alzheimer's Disease Neuroimaging Initiative (ADNI), analysant 6 scores neurocognitifs (ADAS, MMSE, RAVLT, FAQ, MOCA, LDEL) sur 10 ans pour 888 sujets (518 Normaux Cognitivement, 370 Maladie d'Alzheimer).

• Caractéristiques des Données : Les données présentaient un échantillonnage hautement irrégulier (1064 points temporels uniques) et des valeurs manquantes, causant l'échec du PARAFAC standard.
• Résultats : Une décomposition de rang 4 a capturé avec succès des trajectoires distinctes :
  • Composante 1 : A capturé une détérioration cognitive abrupte au cours des 5 premières années, séparant clairement les patients AD (scores de détérioration élevés) des patients CN (Normaux Cognitivement).
  • Composante 2 : Décrivait des mesures cognitives stables sur la décennie.
  • Composante 3 : Représentait un déclin lent et graduel.
  • Composante 4 : A capturé la variance partagée entre les scores MOCA et MMSE.
• Interprétabilité : Les composantes fonctionnelles ont fourni des trajectoires lisses et interprétables, et les scores latents ont efficacement stratifié les patients par diagnostic.

4.2 Étude de Simulation

Des simulations ont été menées sur des tenseurs synthétiques de rangs 3, 5 et 10 avec des niveaux de parcimonie variables (0% à 80% de données manquantes).

• Performance : Les simulations ont démontré un "avantage notable" de la méthode LF-PARAFAC pour reconstruire les tenseurs par rapport aux approches existantes, particulièrement dans des conditions de forte parcimonie et d'échantillonnage irrégulier.
• Robustesse : La méthode a maintenu sa précision dans la récupération des structures fonctionnelles et discrètes sous-jacentes, même lorsqu'une grande proportion d'observations était supprimée.

5. Signification et Revendications

L'article affirme que l'approche LF-PARAFAC constitue une extension nécessaire aux outils existants d'analyse de tenseurs et de données fonctionnelles. Sa principale importance réside dans sa capacité à :

• Unifier les structures fonctionnelles lisses avec la décomposition tensorielle probabiliste.
• Opérer efficacement dans des contextes longitudinaux réalistes caractérisés par la parcimonie et l'irrégularité, là où les méthodes tensorielles traditionnelles échouent.
• Améliorer l'interprétabilité en fournissant des composantes fonctionnelles lisses et des scores probabilistes qui peuvent être liés à des covariables (ex: diagnostic).

Les auteurs concluent que bien que la méthode montre de fortes performances en reconstruction et en caractérisation, elle est limitée par la nécessité de l'estimation de la covariance (qui nécessite une densité de données suffisante pour le lissage) et par l'hypothèse de distributions latentes gaussiennes. Les travaux futurs pourraient explorer des extensions non-gaussiennes et des techniques de lissage alternatives.