Résumé Technique : Analyse de Facteurs à Partitionnement Adaptatif (APAFA)

1. Énoncé du Problème

L'analyse factorielle est une technique standard pour identifier les traits latents influençant des variables observées multivariées. Cependant, les approches traditionnelles analysent généralement les données d'une seule étude, négligeant les variations présentes lorsque les données sont agrégées à partir de sources multiples. Bien que l'Analyse Factorielle Multi-Études (MSFA) soit apparue pour distinguer les traits latents partagés entre les études des composantes spécifiques à chaque étude, les méthodologies existantes font face à des limitations significatives :

• Hypothèses de Groupement Rigides : Les modèles MSFA actuels (par exemple, De Vito et al., 2019 ; Chandra et al., 2025) supposent un nombre fixe de matrices de chargement spécifiques à l'étude ($\Gamma_s$), une par étude. Cela ne permet pas de capturer les scénarios où :
  • Deux études ou plus présentent une homogénéité élevée et partagent des représentations latentes identiques.
  • Une seule étude contient des sous-populations hétérogènes avec des structures latentes distinctes.
  • Des unités de différents groupes partagent des caractéristiques spécifiques, ou des unités présentent simultanément des caractéristiques de plusieurs groupes.
• Commutation d'Information : Dans les cadres existants, il est souvent difficile de démêler les signaux entre les facteurs partagés et spécifiques, ce qui conduit à une « commutation d'information » où les facteurs spécifiques à l'étude sont incorrectement absorbés dans la composante partagée ou vice versa.
• Manque de Flexibilité : Les tentatives précédentes pour traiter le partage partiel (par exemple, Grabski et al., 2023) reposent sur des comptes de groupes pré-spécifiés ou des matrices de sélection déterministes, manquant d'un cadre unificateur qui s'étend des modèles factoriels classiques aux partitions complexes et adaptatives.

2. Méthodologie : Analyse de Facteurs à Partitionnement Adaptatif (APAFA)

Les auteurs proposent l'Analyse de Facteurs à Partitionnement Adaptatif (APAFA), un cadre bayésien qui étend la MSFA en introduisant de nouveaux priors de contraction (shrinkage priors) pour les facteurs latents. Cette approche permet de modéliser de manière flexible divers degrés d'hétérogénéité de groupe sans imposer une structure déterministe.

2.1 Spécification du Modèle

Le modèle représente le vecteur d'observation $y_i$ pour l'unité $i$ comme suit :
$$y_i = \Lambda\eta_i + \Gamma\phi_i + \epsilon_i$$
Où :

• $\Lambda\eta_i$ représente les facteurs latents partagés communs à toutes les unités.
• $\Gamma\phi_i$ représente les facteurs spécifiques. Contra-irement à la MSFA standard, $\Gamma$ concatène toutes les matrices de chargement potentiellement spécifiques à l'étude, et $\phi_i$ est un vecteur augmenté de facteurs latents.
• Crucialement, l'activation des facteurs spécifiques est régie par un motif de zéros et de non-zéros dans $\phi_i$. Le $h$-ième élément de $\phi_i$ est défini par $\phi_{ih} = \tilde{\phi}_{ih}\psi_{ih}$, où $\psi_{ih}$ est un indicateur binaire.

2.2 Interprétation par Réseau de Neurones

Les auteurs interprètent le modèle comme un réseau de neurones à couche unique spécifique :

• Entrées : Variables muettes $x_i$ indiquant l'appartenance à une étude (et potentiellement d'autres covariables $z_i$).
• Couche Cachée : Facteurs spécifiques latents $\phi_i$.
• Activation : Les indicateurs binaires $\psi_{ih}$ sont générés via une fonction d'activation déterministe $f_h(x_i^\top \beta_h)$, où $\beta_h$ sont des poids inconnus.
• Sortie : Les variables observées $y_i$.
  Cette formulation permet à la structure de covariance latente d'être informée par des variables indépendantes, fonctionnant effectivement comme un auto-encodeur variationnel conditionnel où la structure latente s'adapte à l'entrée.

2.3 Spécification des Priors

L'innovation centrale réside dans l'utilisation de priors de contraction structurés :

1. Contraction Globale (CUSP) : Un processus de contraction cumulative (CUSP) est appliqué aux paramètres d'échelle globaux $\tau_h^\phi$. Cela permet au modèle d'apprendre le nombre effectif de facteurs spécifiques (neurones dans la couche cachée) en contractant les facteurs inutilisés vers zéro.
2. Contraction Locale (Rareté Structurée) : Les échelles locales $\psi_{ih}$ sont des variables de Bernoulli dont les probabilités sont déterminées par une fonction logistique des indicateurs d'étude ($x_i$) et des paramètres $\beta_h$. Cela crée un « partitionnement aléatoire » des observations basé sur la structure parcimonieuse de $\psi_i$.
3. Chargements Factoriels : Des priors standards sont utilisés pour $\Lambda$ et $\Gamma$, avec des priors de contraction croissants appliqués aux dimensions des facteurs partagés pour déterminer le nombre de composantes partagées.

2.4 Identifiabilité

Le document traite le problème de la « commutation d'information » et de l'ambiguïté de rotation :

• Théorème 1 : Établit les conditions sous lesquelles le modèle est résistant à la commutation d'information. Si la matrice de chargement des facteurs spécifiques $\Gamma$ possède un rang de colonne complet et que le nombre de facteurs spécifiques $k$ satisfait $k < p(p+1)/2$, les motifs de parcimonie encodés par $\Psi$ sont identifiés de manière unique.
• Théorème 2 : Sous une « Condition de Motif de Parcimonie Non-Replicable » (où des groupes distincts ont des motifs d'activation uniques), les facteurs spécifiques sont entièrement identifiables à une permutation et un signe près, à condition que la composante partagée soit fixée.
• Calcul Postérieur : L'inférence est réalisée via l'échantillonnage de Gibbs.

3. Contributions Clés

1. Cadre Unifié : L'APAFA comble le fossé entre les modèles factoriels classiques et la MSFA, accommodant un spectre continu de scénarios allant de l'absence de facteurs spécifiques à des sous-populations complexes et chevauchantes au sein et entre les études.
2. Partitionnement Adaptatif : En exploitant la parcimonie informée, la méthode découvre automatiquement le partitionnement des unités en groupes ayant des structures latentes distinctes, sans nécessiter de nombres de groupes ou de labels pré-spécifiés.
3. Connexion avec les Réseaux de Neurones : Le papier connecte explicitement l'analyse factorielle bayésienne aux réseaux de neurones, offrant une voie pour intégrer des covariables continues propres au sujet et généraliser la structure du modèle.
4. Garanties d'Identifiabilité : Les auteurs fournissent des conditions théoriques garantissant que les facteurs spécifiques sont distinguables des facteurs partagés, résolvant une limitation clé de la littérature MSFA précédente.

4. Résultats

Les auteurs évaluent l'APAFA à travers des études de simulation exhaustives et des applications sur des données réelles :

• Études de Simulation :

  • Scénarios : La méthode a été testée contre TETRIS (Grabski et al., 2023) à travers quatre scénarios : (A) MSFA correctement spécifié, (A*) MSFA sans labels, (B) Études parfaitement homogènes (pas de facteurs spécifiques), (C) Facteurs partiellement partagés, et (D) Unités hétérogènes au sein des études.
  • Performance : L'APAFA a démontré une performance compétitive dans tous les scénarios. Notamment, dans le Scénario A* (où les labels de groupe ont été retirés), l'APAFA a réussi à récupérer la structure sous-jacente, alors que les méthodes reposant sur des labels d'étude fixes ont peiné. Dans le Scénario B, les priors de contraction ont correctement identifié l'absence de facteurs spécifiques.
  • Estimations Postérieures : Les visualisations des estimations postérieures ont montré que l'APAFA a récupéré avec précision les véritables motifs de parcimonie des facteurs latents.

• Applications sur Données Réelles :

  • Co-occurrence d'Espèces d'Oiseaux : Appliqué à des données d'enquêtes spatio-temporelles, le modèle a réussi à séparer les moteurs environnementaux partagés des déviations spécifiques aux sites, gérant l'hétérogénéité inhérente aux données écologiques.
  • Expression Génique du Cancer de l'Ovaire : Appliqué à des données génomiques à haut débit, la méthode a distingué les signaux biologiques partagés entre les sous-types de cancer et les variations techniques ou spécifiques aux sous-types, surpassant le prétraitement standard dans la gestion de l'hétérogénéité résiduelle.

5. Signification et Revendications

Le papier affirme que l'APAFA offre une compréhension plus riche des données multivariées en allant au-delà de l'hypothèse rigide selon laquelle chaque étude possède un ensemble unique et fixe de facteurs spécifiques. En traitant le partitionnement des données comme un processus latent et adaptatif piloté par une parcimonie structurée, la méthode :

• Accommode des structures de données complexes où les études peuvent être homogènes ou contenir des sous-populations internes.
• Fournit une solution bayésienne fondée sur des principes au problème de « commutation d'information », garantissant que les signaux partagés et spécifiques sont correctement attribués.
• Offre une architecture flexible qui peut être étendue pour inclure des covariables continues, généralisant ainsi l'analyse factorielle à travers le prisme des réseaux de neurones.

Les auteurs soulignent que, bien que la méthode nécessite des conditions de régularité appropriées pour l'identifiabilité, elle contourne le problème bien connu de l'ambiguïté de rotation pour les facteurs spécifiques, permettant une interprétation postérieure directe. Le code pour reproduire les analyses est rendu public.