Depth-based estimation for multivariate functional data with phase variability

तकनीकी सारांश: चरण परिवर्तनशीलता (phase variability) वाले बहुभिन्नरूपी कार्यात्मक डेटा (multivariate functional data) के लिए गहराई-आधारित अनुमान

समस्या विवरण
यह शोध पत्र बहुभिन्नरूपी कार्यात्मक डेटा में एक सामान्य अंतर्निहित पैटर्न (टेम्पलेट फंक्शन) का अनुमान लगाने की सांख्यिकीय चुनौती को संबोधित करता है, जब डेटा में व्यक्तिगत चरण परिवर्तनशीलता (टाइम वार्पिंग) और घटक-आधारित समय विरूपण (cross-component time distortion) दोनों मौजूद होते हैं। कई वैज्ञानिक क्षेत्रों में, जैसे कि विकास विश्लेषण (growth analysis) या वितरण संबंधी डेटा विश्लेषण में, व्यक्तियों को कई कार्यात्मक घटकों (जैसे, विभिन्न शारीरिक संरचनाएं या मार्जिनल वितरण) में देखा जाता है। ये अवलोकन अक्सर दो अलग-अलग स्रोतों से होने वाली चरण परिवर्तनशीलता से ग्रस्त होते हैं:

1. व्यक्तिगत परिवर्तनशीलता: प्रत्येक विषय का अपना एक अद्वितीय टाइम-वार्पिंग फंक्शन होता है।
2. घटक परिवर्तनशीलता: बहुभिन्नरूपी प्रक्रिया के विभिन्न घटक अलग-अलग नियतात्मक (deterministic) कार्यों द्वारा विकृत हो सकते हैं।

मौजूदा विधियाँ, जैसे कि कैरोल और मुलर (2023) द्वारा विकसित, आमतौर पर एक पंजीकरण-आधारित (registration-based) दृष्टिकोण पर निर्भर करती हैं: पहले वॉर्मिंग फंक्शनों का अनुमान लगाने के लिए कर्व्स को संरेखित करने हेतु न्यूनीकरण समस्याओं (minimization problems) को हल करना, और फिर पंजीकृत नमूने से सामान्य पैटर्न का अनुमान लगाना। हालाँकि, यह क्रमिक प्रक्रिया गणनात्मक रूप से गहन हो सकती है और असामान्य अवलोकनों (आउटलेयर्स) के प्रति कम सुदृढ़ हो सकती है। इसके अतिरिक्त, मानक पंजीकरण विधियाँ अक्सर विशिष्ट पैरामीट्रिक रूपों पर निर्भर करती हैं या माध्य-आधारित अनुमानकों (mean-based estimators) का उपयोग करती हैं, जो आउटलेयर्स के प्रति संवेदनशील होते हैं।

कार्यप्रणाली
लेखक कार्यात्मक डेटा गहराई (functional data depth) पर आधारित एक सुदृढ़, पंजीकरण-मुक्त अनुमान ढांचा प्रस्तावित करते हैं। यह दृष्टिकोण कैरोल और मुलर (2023) द्वारा प्रस्तुत 'लेटेंट डिफॉर्मेशन मॉडल' (LDM) पर आधारित है, जहाँ एक प्रेक्षित बहुभिन्नरूपी वक्र $X_{ij}(t)$ (व्यक्ति $i$ और घटक $j$ के लिए) को इस प्रकार मॉडल किया जाता है:
$$X_{ij}(t) = a_{ij} \lambda(\psi_j(h_i(t)))$$
यहाँ $\lambda$ अज्ञात सामान्य आयाम फलन (latent curve) है, $\psi_j$ घटक-आधारित नियतात्मक विकृतियाँ हैं, $h_i$ व्यक्तिगत टाइम-वार्पिंग फंक्शन हैं, और $a_{ij}$ स्केल कारक हैं।

प्रस्तावित कार्यप्रणाली के मुख्य चरणों में शामिल हैं:

1. गहराई-आधारित माध्य अनुमान (Depth-Based Median Estimation): एक पंजीकरण हानि (registration loss) को न्यूनतम करने के बजाय, यह विधि नमूने में "सबसे गहरे" (deepest) वक्र की पहचान करती है जिसे सामान्य पैटर्न के अनुमानक के रूप में उपयोग किया जाता है। लेखक स्थापित करते हैं कि यदि एक कार्यात्मक गहराई माप ($FD$) दो प्रमुख गुणों को संतुष्ट करता है—कठोर रूप से एकदिष्ट रूपांतरणों (strictly monotone transformations) के तहत अपरिवर्तनीयता और नमूना माध्यिका का जनसंख्या माध्यिका के प्रति निरंतरता (consistency)—तो सबसे गहरा वक्र टाइम-वार्पिंग की उपस्थिति में भी लक्षित फलन $\lambda$ (या विशिष्ट घटकों के लिए $\lambda \circ \psi_j$) का निरंतर अनुमान लगाता है।
2. बहुभिन्नरूपी परिवेश में सामान्यीकरण: यह विधि अरिबस-गिल और रोमो (2012) के एकवत्री गहराई-आधारित दृष्टिकोण को बहुभिन्नरूपी LDM में विस्तारित करती है। यह घटकों के बीच अवलोकनों को एकत्रित करके सीधे सामान्य पैटर्न $\lambda$ के अनुमान की अनुमति देती है, बशर्ते कि वार्पिंग प्रक्रियाओं का संयोजन विशिष्ट समरूपता (symmetry) शर्तों को पूरा करता हो (प्रपोजिशन 3)।
3. गैर-एकदिष्ट लक्ष्यों (Non-Monotone Targets) को संभालना: उन मामलों के लिए जहाँ लक्षित फलन $\lambda$ पूर्णतः एकदिष्ट नहीं है, लेखक निरंतरता सुनिश्चित करने के लिए एक "मोनोटोनाइजिंग ऑपरेटर" $T$ (डुपू एट अल., 2011 द्वारा प्रस्तावित) को शामिल करते हैं, जो माध्यिका लागू करने से पहले नमूना वक्रों को रूपांतरित करता है।
4. नैदानिक उपकरण (WHyRA): यह सत्यापित करने के लिए कि LDM की महत्वपूर्ण धारणा कि सभी घटकों में व्यक्तिगत वार्पिंग फंक्शन $h_i$ समान हैं, लेखक वॉर्मिंग हाइपोग्राफ रैंकिंग एग्रीमेंट (WHyRA) प्लॉट पेश करते हैं। यह ग्राफिकल टूल मॉडिफाइड हाइपोग्राफ इंडेक्स (MHI) का उपयोग करके विभिन्न घटकों में वार्पिंग फंक्शन अनुमानों के रैंक पत्राचार (rank correspondence) को दृश्य रूप में प्रदर्शित करता है। यह साझा वार्पिंग धारणा के उल्लंघन का पता लगाने में मदद करता है।

प्रमुख योगदान

1. पंजीकरण-मुक्त अनुमान: यह शोध पत्र बहुभिन्नरूपी कार्यात्मक डेटा के लिए एक वैकल्पिक पंजीकरण-पश्चात-अनुमान पाइपलाइन प्रस्तावित करता है। कार्यात्मक गहराई का उपयोग करके, सामान्य पैटर्न का अनुमान सीधे प्रेक्षित, अपंजीकृत डेटा से लगाया जाता है, जिससे वार्पिंग फंक्शनों के लिए कई जटिल न्यूनीकरण समस्याओं को हल करने की आवश्यकता समाप्त हो जाती है।
2. निरंतरता के लिए सैद्धांतिक स्थितियाँ: लेखक उन आवश्यक शर्तों को व्युत्पन्न करते हैं जिनके तहत एक कार्यात्मक गहराई माप टाइम-वार्पिंग मॉडल में निरंतर अनुमान प्रदान करता है। वे सिद्ध करते हैं कि कोई भी गहराई माप जो एकदिष्टता अपरिवर्तनीयता और माध्यिका निरंतरता को संतुष्ट करता है (जैसे मॉडिफाइड बैंड डेप्थ, इंटीग्रेटेड डेप्थ्स, या क्वांटाइल इंटीग्रेटेड डेप्थ्स), LDM के तहत लेटेंट कर्व का निरंतर अनुमान लगाने के लिए उपयोग किया जा सकता है।
3. सुदृढ़ता (Robustness): गहराई-आधारित दृष्टिकोण स्वाभाविक रूप से आउटलेयर्स के प्रति सुदृढ़ है। पंजीकरण विधियों में उपयोग किए जाने वाले माध्य-आधारित अनुमानकों के विपरीत, गहराई माध्य (depth median) असामान्य प्रक्षेपवक्रों से कम प्रभावित होता है।
4. नैदानिक ढांचा: WHyRA प्लॉट का परिचय मॉडल की वैधता (कि पृथक्करणीयता धारणा—कि सभी घटकों में व्यक्तिगत वार्पिंग सुसंगत है—वैध है) का आकलन करने के लिए एक व्यावहारिक, दृश्य विधि प्रदान करता है, जो अक्सर मानक पंजीकरण पाइपलाइनों में अनदेखा किया जाता है।

परिणाम
लेखक व्यापक सिमुलेशन और वास्तविक डेटा अनुप्रयोगों के माध्यम से अपनी विधि का मूल्यांकन करते हैं:

• सिमुलेशन प्रदर्शन: कैरोल और मुलर (2023) की पंजीकरण विधि (CM) के साथ तुलना करने वाले सिमुलेशन में, गहराई-आधारित विधि ने निम्नलिखित प्रदर्शन दिखाया:
  • उच्च परिवर्तनशीलता के तहत श्रेष्ठता: जैसे-जैसे टाइम-वार्पिंग परिवर्तनशीलता और घटक-आधारित विरूपण बढ़ा, गहराई-आधारित विधि ने CM विधि की तुलना में अनुमानित लक्ष्य फलन के लिए कम इंटीग्रेटेड स्क्वायर एरर (LISE) दिया।
  • गणनात्मक दक्षता: गहराई-आधारित विधि काफी तेज थी (उदाहरण के लिए, $p=4, n=50$ के लिए ~0.17s बनाम ~11s) क्योंकि यह पुनरावृत्त पंजीकरण प्रक्रिया को दरकिनार करती है।
  • शोर के प्रति संवेदनशीलता: पाया गया कि लक्ष्य फलन और व्यक्तिगत वक्रों के गहराई-आधारित अनुमान, माध्य-आधारित CM अनुमानों की तुलना में योगात्मक गॉसियन शोर (additive Gaussian noise) के प्रति अधिक संवेदनशील थे, जो कि सुदृढ़ माध्य-आधारित विधियों का एक अंतर्निहित ट्रेड-ऑफ है।
  • आउटलेयर्स के प्रति सुदृढ़ता: अलग आयाम फलन से उत्पन्न कंटैमिनेटेड डेटा (आउटलेयर्स) वाले सिमुलेशन में, गहराई-आधारित विधि ने वास्तविक सामान्य पैटर्न का अनुमान लगाने में CM विधि की तुलना में बेहतर प्रदर्शन बनाए रखा।
• वास्तविक डेटा अनुप्रयोग: विधि को दो डेटासेट्स पर लागू किया गया:
  1. आर्कटिक महासागर बर्फ विस्तार (Arctic Ocean Ice Extent): समय के साथ बहुभिन्नरूपी कार्यात्मक डेटा का विश्लेषण।
  2. यूरोप में मातृत्व-आयु वितरण (Maternity-Age Distributions in Europe): विभिन्न देशों में वितरणों का परीक्षण।
     दोनों मामलों में, विधि ने सामान्य पैटर्नों को सफलतापूर्वक पहचाना और मॉडल की धारणाओं से विचलन या असामान्य अवलोकनों का पता लगाया, जिससे इसकी खोजपूर्ण डेटा विश्लेषण (exploratory data analysis) में उपयोगिता सिद्ध हुई।

महत्व और दावे
शोध पत्र का दावा है कि इसका प्राथमिक महत्व चरण परिवर्तनशीलता वाले बहुभिन्नरूपी कार्यात्मक डेटा के लिए पारंपरिक पंजीकरण-आधारित विधियों के एक सुदृढ़, कुशल और सैद्धांतिक रूप से स्थापित विकल्प के रूप में है। पारंपरिक पंजीकरण पाइपलाइन से ध्यान हटाकर, लेखक एक ऐसी प्रक्रिया प्रदान करते हैं जो:

• कई पंजीकरण समस्याओं को हल करने के गणनात्मक बोझ से बचती है।
• वार्पिंग प्रक्रियाओं के संबंध में व्यापक स्थितियों के तहत निरंतर अनुमान प्रदान करती है (विशेष रूप से केंद्रीय समरूपता की आवश्यकता के साथ)।
• मॉडल की वैधता का निदान करने के लिए एक अंतर्निहित तंत्र (WHyRA) प्रदान करती है, जिसे अक्सर मानक पंजीकरण विधियों में अनदेखा किया जाता है।

लेखक विनम्रतापूर्वक नोट करते हैं कि जहाँ उनकी विधि सुदृढ़ता और गति में उत्कृष्ट है, वहीं उच्च योगात्मक गॉसियन शोर वाले परिदृश्यों में यह माध्य-आधारित विधियों की तुलना में कम कुशल हो सकती है। वे इस बात पर जोर देते हैं कि उनका योगदान सभी पंजीकरण तकनीकों के सार्वभौमिक प्रतिस्थापन के बजाय, बहुभिन्नरूपी LDM तक गहराई-आधारित निरंतरता परिणामों का विस्तार करना और मॉडल की धारणाओं का समर्थन करने के लिए एक नैदानिक उपकरण विकसित करना है।