Composition as Direction: An Active-Set Ray-Based Model for Sparse High-Dimensional Compositional Data

技術要約：組成としての方向：スパースな高次元組成データのためのアクティブセット・レイベース・モデル

1. 問題提起

微生物学、生態学、環境研究において広く見られる組成データ（compositional data）は、4つの同時的な課題を提示している：正確なゼロ、成分間の潜在的な依存関係、高次元性、および単位和の制約（単体閉包）。この単位和の制約は非ユークリッド幾何学を誘発し、観測された比率は互いに競合するため、共有された環境要因によって引き起こされる潜在的な関連性の符号が隠蔽されたり、反転したりすることが頻繁に起こる。

既存のアプローチは、これらの特徴を統合的に扱うことに失敗している：

• ディリクレ型モデルは、平均に結びついた柔軟性に欠ける共分散構造を課しており、共通の潜在的ドライバーによって誘発される任意の正の相関を表現できない。
• ロジスティック正規モデルは、対数比変換を通じて柔軟性を提供するが、正確なゼロにおいて定義不能であり、存在と優占を混同するアドホックな置換を必要とする。
• 投影ガウスモデル（例：楕円対称角ガウスモデル）は、方向構造を保持しゼロを扱うことができるが、非負直交領域への条件付けを必要とする。これは、標準的な推定量の分散が指数関数的に発散するため、次元 $d$ が増加するにつれて、パラメータ依存の直交確率（ガウスベクトルが正の直交領域に落ちる確率）を評価することを計算上極めて困難にする。

2. 手法：アクティブセット・レイベース組成（ARC）フレームワーク

著者らは、組成を単体上の点としてではなく、観測されない大きさを持つ潜在的な存在量ベクトルの観測された方向、および明示的にモデル化されたアクティブセットとして再定義するARCフレームワークを提案する。

幾何学的埋め込み:
組成 $u$ は、要素ごとの平方根変換 $y = \sqrt{u}$ を通じて、単位超球面 $S^{d-1}_{0,+}$ の非負直交領域へと写像される。これにより、置換や正則化を必要とすることなく、正確なゼロを境界点（$u_k=0 \iff y_k=0$）として保持できる。

アクティブセットの因子分解:
本モデルは、尤度を2つの異なるプロセスに分解する：

1. アクティブセット・プロセス ($A_i$): どの成分が存在するか（$y_{ik} > 0$）を制御する離散的な存在/不在プロセス。これは、共起パターンを捉えるために共変量と潜在因子を用いたプロビット因子仕様を用いてモデル化される。構造的ゼロは、厄介な問題ではなく、モデル化されたイベントとして扱われる。
2. 正の部分組成 ($y^+_i$): アクティブセット $A_i$ に条件付けられたとき、正の部分組成は、アクティブな部分空間の正のレイ（光線）に沿って潜在ガウス密度を評価することによってモデル化される。

潜在半径の拡張:
本研究の主要な革新は、潜在的な半径 $r_i > 0$ の導入である。潜在的なアクティブベクトルは $x^+_i = r_i y^+_i$ と定義される。

• ベクトル $x^+_i$ は、アクティブな部分空間における多変量ガウス分布 $N(\mu^+_i, V_{A_i A_i})$ に従う。
• 観測されたデータ $y^+_i$ は、$x^+_i$ の方向である。
• $r_i$ を補助変数として扱うことで、モデルは観測されたレイに沿ってガウス密度を評価できる。この構成により、直交正規化定数（$x^+_i$ が正の直交領域に入る確率）を評価する必要がなくなる。なぜなら、アクティブセットへの条件付けと $r_i$ の正性が、サポートを構成によって自然に正の直交領域に制限することを保証しているからである。

共分散構造:
高次元（$d \gg n$）におけるスケーラビリティを確保するため、潜在共分散 $V$ は低ランク因子モデルを用いてパラメータ化される：$V = \Lambda\Lambda' + D$。これにより、パラメータ数は $O(d^2)$ から $O(dq + d)$ へと削減され、組成スケールとは異なる、存在量スケールにおける任意の潜在的依存関係（正または負）の回復が可能になる。

推論:
フレームワークは、MCMCを用いたベイズ階層モデルを通じて実装される。サンプラーは以下を利用する：

• 潜在半径の更新（1次元メトロポリス法）。
• プロビット・アクティブセットモデルのためのアルバート＝チブ（Albert-Chib）拡張。
• 因子、回帰係数、およびローディングに対する条件付きガウス更新。
  反復あたりの計算コストは、固定された因子ランクとスパースなアクティブセットに対して次元 $d$ に対して線形にスケールし、直交確率の評価に伴う指数関数的なコストを回避する。

3. 主な貢献

論文は、4つの主要な貢献を主張している：

1. モデルの提案: 半径を補助的な潜在変数として扱う尤度を導出した、スパースで高次元な組成データのためのARCモデル。
2. 構造的ゼロの処理: 存在/不在のプロセスと正の部分組成を分離し、それぞれに異なる共変量と事前分布を許容する、アクティブセット形式への拡張。
3. 扱いやすい推論: 低ランク因子共分散とプロビット・アクティブセットモデルを組み合わせることで、直交確率の計算を必要としない、高次元へのスケーリングが可能な条件付きガウス更新を実現した。
4. 結合回復: スパースな高次元データにおいて、アクティブセットのプロセスと潜在的な依存関係を同時に回復できることのデモンストレーション。

4. 結果

$n=350$ および次元 $d \in \{20, \dots, 1000\}$、変化するスパース性レジームと依存構造（ブロックおよび非構造）の下でのシミュレーション研究により、以下が得られた：

• アクティブセットの回復: モデルは、すべての次元とスパースレベルにおいて、共起の構造（AUC 0.83–0.86）およびペアワイズ共活性化率（相関 > 0.97）を一貫して回復した。
• 潜在的依存関係の回復: モデルは、真の潜在相関行列 $R$ を正常に回復した（推定された相関と真の相関の間の相関 > 0.93、しばしば > 0.99）。
• ベースラインとの比較: 観測された組成の経験的相関（「観測ベースライン」）は、潜在的な依存関係を捉えることができず、高いスパース性下では相関が 0.21 まで低下した。これは、単体閉包が潜在的な正の依存関係を著しく隠蔽していることを裏付けており、ARCモデルがこれを正常に回復したことを示している。
• スケーラビリティ: 手法は $d$ が増加しても安定かつ正確であり、より多くの成分が同じ因子にロードされることで、共有部分空間の推定が鋭くなるという「次元の祝福」の恩恵を受けた。

5. 意義と主張

論文は、ARCフレームワークを組成データ分析における概念的および計算的な進歩として位置づけている。

• 概念的な再構成: 組成を、潜在的な存在量ベクトルの観測された方向として再定義する。この分離により、モデルは存在（構造的ゼロ、分散）を制御するメカニズムと、優占（競争、共有されたドライバー）を制御するメカニズムを区別することができる。
• 計算上の障壁の克服: 直交正規化定数を回避することで、従来の切断ベースのアプローチでは計算不可能であった高次元設定における投影ガウスモデルを可能にした。
• 科学的有用性: 本フレームワークは、正確なゼロと共有された正の応答が、データのアーティファクトではなく中心的な科学的特徴であるマイクロバイオームや生態学などの分野に特に適している。それは、単体閉包によって隠されてしまう「存在量スケール」の依存関係を回復し、生物学的および生態学的プロセスをより正確に表現することを可能にする。

著者らは、現在の実装では固定された因子ランクを使用しているものの、フレームワークは適応的ランク選択（例：マルチプライカティブ・ガンマ過程）と互換性があり、条件付きガウス構造を利用することで、空間、時空間、および検出エラーの設定へと拡張可能であると述べている。