Robust functional PCA for relative data

技術要約：相対的データのためのロバストな関数的主成分分析

問題の定義
関数的データ解析（FDA）は伝統的に絶対的な大きさに焦点を当ててきたが、多くの応用場面では、確率密度関数（PDF）、年齢別合計特殊出生率、あるいはスペクトル曲線のような「相対的」な関数的データが扱われる。これらの文脈において、関心の対象となる情報は、絶対的なスケルではなく、分布のパターンや形状にある。標準的なFDAの手法は、データの組成的な性質（非負性と単位積分の制約）を尊重しないため、この領域ではしばしば失敗する。

近年の研究により、このようなデータを無限次元の組成物としてモデル化する**ベイズ空間（Bayes space）フレームワークが確立されているが、この空間内における既存の次元削減ツール、特に単体関数的主成分分析（SFPCA）**は、標本共分散演算子に依存している。これらの標準的な推定器は、外れ値や異常な観測値に対して非常に敏感である。相対的データにおいて、外れ値は単純な大きさの偏差ではなく、構造的な形状の異常（例：予期せぬ質量の再分配）として現れることが多く、従来の（ユークリッド空間向けに設計された）ロバスト手法や標準的なSFPCAを無効にする。したがって、ベイズ空間の幾何学的構造を維持しつつ、これらの異常に対処できるロバストな手法が不足している。

手法
本論文では、外れ値が存在する密度データに対して関数的主成分（FPC）を推定するために設計された手法である、**ロバスト密度主成分分析（RDPCA）**を提案する。本手法は、以下の理論的およびアルゴリズム的ステップを通じて進行する。

1. ベイズ空間フレームワーク： データ $X$ は、単位積分を持つ正の密度からなるヒルベルト空間 $B^2(I)$ の要素としてモデル化される。解析には、**中心化対数比（clr）**変換を利用する。これは、ベイズ空間を $L^2(I)$ の部分空間（積分がゼロとなる関数）へと等長写像するものであり、データの相対的な性質を尊重しながら、標準的なヒルベルト空間のツールを使用することを可能にする。

2. 正則化マハラノビス距離（RDMD）：

   • 核心となる革新は、マハラノビス距離をベイズ空間へと拡張したことである。無限次元の設定では、共分散演算子は可逆ではない。これに対処するため、著者らは、ティホノフ型の最適化問題を解くことにより、密度 $X$ の正則化標準化を定義する：
     $$X^{\alpha, L}_{st} = \arg \min_{Y \in B^2(I)} \left\{ \|C^{1/2}_{B^2,X} Y \ominus X\|^2_{B} + \alpha \|LY\|^2_{B} \right\}$$
     ここで、$\alpha > 0$ は正則化パラメータであり、$L$ は正則化演算子（例：最初の $k$ 個の固有関数の補空間への直交射影）である。
   • そして、**正則化密度マハラノビス距離（RDMD）**は、標準化された密度間の差の二乗ノルムとして定義される：$M^2_{\alpha,k,B^2}(X, Y) = \|X^{\alpha,k}_{st} \ominus Y^{\alpha,k}_{st}\|^2_{B^2}$。
   • この距離は、従来の関数的マハラノビス概念（切断型および $\alpha$-マハラノビス距離）を一般化し、密度データの特定の制約を考慮している。

3. ロバストな共分散推定：

   • 中心性の尺度としてRDMDを用いることで、本手法はトリミングされた共分散推定器を採用する。データの最適な部分集合 $H_0$ は、その部分集合に含まれる観測値の平均二乗RDMDを最小化することによって特定される。
   • ロバストな平均および共分散は、この中心的な部分集合のみを使用して計算される。ガウス仮定下での一貫性を確保するためにスケーリング係数が適用されるが、推定自体にガウス性を厳密に要求するものではない。

4. アルゴリズム（RDPCA）：

   • 手順は反復的である。現在の部分集合上でロバストな平均／共分散を推定することと、更新されたRDMDに基づいて部分集合を再評価することの間で交互に動作する。
   • 本手法は、離散化されたデータ（積分和による近似）と、関数的表現（組成スプラインなどの基底への投影）の両方をサポートする。命題4.1は、データが固定された正規直交基底を用いて表現される場合、RDMDが基底係数の行列演算を用いて正確に計算できることを示している。

主な結果
RDPCAの性能は、シミュレーション研究および実世界のアプリケーションを通じて評価された。

• シミュレーション：

  • 外れ値が存在する場合（Huberの $\epsilon$-汚染モデルによって導入）、RDPCAは共分散演算子および主成分の両方の推定において、標準的なSFPCAを大幅に上回った。
  • 指標には、共分散推定のための積分二乗誤差（ISE）および固有関数の平均余弦類似性が含まれる。RDPCAは、汚染率が20%に達する場合でも高い精度を維持した。
  • 興味深いことに、RDPCAは非汚染の設定においても、特に背後のスコア分布が重い裾を持つ場合（例：多変量 $t$ 分布）に、SFPCAよりも優れた性能を示した。
  • 本手法は、RDMDの極限分布に基づいて外れ値を特定することに成功したが、非ロバストな手法は典型的な曲線と外れ値を区別できなかった。

• 実データへの適用：

  • EPXMA スペクトル： ガラス容器のスペクトルに適用したところ、RDPCAは異なるガラスの型を効果的に区別し、標準的な手法が見逃した外れ値スペクトルを特定した。ロバストな相関関数は、非ロバストな手法によるバイアスによって隠されていた構造的な違いを明らかにした。
  • 出生率データ： 国別および年別の年齢別合計特殊出生率（ASFR）を分析した。本手法は、特異な出生パターンを持つ国（例：1956年の日本）を特定し、出生率のダイナミクス（ピークが20代前半から30歳前後へのシフト）の進化を、標準的なアプローチよりもロバストに捉えた。

意義と主張
本論文は、ベイズ空間内の相対的関数的データのために特別に設計された、初のロバストなPCAフレームワークを提供することを主張している。その主な貢献は以下の通りである。

1. 理論的拡張： 正則化マハラノビス距離をベイズ空間へと拡張し、無限次元における共分散演算子の非可逆性の問題に対処すると同時に、密度データの組成的な幾何学を尊重している。
2. 構造的異常へのロバスト性： 外れ値を大きさの偏差として扱う従来のFDA手法とは異なり、RDPCAは相対的データに固有の構造的な形状の異常を検出し、重みを軽減するように設計されている。
3. 実用的有用性： 本手法は、離散化されたデータおよび基底展開されたデータの両方で機能する、計算可能なアルゴリズム（アルゴリズム1）を提供しており、ノイズや外れ値が存在する密度関数の分析のための実行可能なツールとなっている。

著者らは、目的は単なる外れ値の検出ではなく、正確な共分散および主成分の推定をもたらすロバストなPCA手法を構築することであると強調している。彼らは、現在の研究は一変量の密度に焦点を当てているが、このフレームワークは多変量密度やランダムな曲面への将来的な拡張への道を開くものであると述べている。