Random-Effects Algorithm for Random Objects in Metric Spaces

Technische Samenvatting: Random-Effects Algoritme voor Random Objects in Metrische Ruimten

Probleemstelling
Moderne wetenschappelijke disciplines, met name digitale gezondheid, genereren datasets waarbij meerdere observaties worden verzameld van dezelfde experimentele eenheden (bijvoorbeeld individuen). Deze observaties manifesteren zich vaak als niet-Euclidische random objects—zoals kansverdelingen, netwerken of functionele krommen—in plaats van scalair of vectoriële uitkomsten. Hoewel mixed-effects modellen goed gevestigd zijn voor scalair uitkomsten en, meer recent, voor functionele data in Hilbertruimten, ontbreekt er een algemeen random-effects raamwerk voor willekeurige random objects gedefinieerd op metrische ruimten. Bestaande methoden voor data in metrische ruimten zijn vaak beperkt tot lineaire modellen, geodetische ruimten of univariate verdelingen, en falen in het bieden van een flexibele basislijn voor herhaalde responsen in algemene metrische ruimten die gepersonaliseerde voorspelling vereisen.

Methodologie
De auteurs stellen een niet-lineair, Fréchet-gebaseerd algoritme voor voor random-effects modellering van willekeurige random objects in een metrische ruimte $(\Omega, d)$. De kerninnovatie is een anker-gebaseerde representatie van latente, subject-specifieke random effects, waardoor directe optel- of aftrekoperaties in de metrische ruimte worden vermeden.

1. Ankertransformatie:

   • De methode selecteert een set waargenomen responsen (ankers) $A_\ell$ uit de empirische responsruimte.
   • Voor elk anker $A_\ell$ wordt de respons in de metrische ruimte $Y_{ij}$ getransformeerd naar een scalair variabele: $Z^{(\ell)}_{ij} = \log(d^2(Y_{ij}, A_\ell) + \delta)$, waarbij $\delta > 0$ numerieke stabiliteit garandeert.

2. Scalair Mixed-Effects Fitten:

   • Voor elk anker $\ell$ wordt een scalair mixed-effects model gefit op de getransformeerde afstanden:
     $$Z^{(\ell)}_{ij} = f_\ell(X_{ij}) + b^{(\ell)}_i + \varepsilon^{(\ell)}_{ij}$$
   • Hierbij is $f_\ell$ een regressiefunctie voor vaste effecten (geïmplementeerd via gradient-boosted bomen), en is $b^{(\ell)}_i$ een anker-specifiek random intercept dat het latente effect van onderwerp $i$ op de afstand tot anker $\ell$ vertegenwoordigt.
   • De implementatie maakt gebruik van GPBoost, dat gradient-boosted bomen combineert met Gaussische random-effect componenten.

3. Voorspelling via Discrete Optimalisatie:

   • Om de respons te voorspellen voor een nieuwe covariabele $x$ voor onderwerp $i$, schat het algoritme de subject-specifieke random effects $\hat{b}^{(\ell)}_i$ en vaste effecten $\hat{f}_\ell(x)$.
   • De uiteindelijke voorspelling $\hat{m}_{n,i}(x)$ wordt verkregen door een discrete optimalisatieprobleem op te lossen over de waargenomen responsruimte $\mathcal{Y}_n$:
     $$\hat{m}_{n,i}(x) \in \arg \min_{\omega \in \mathcal{Y}_n} \sum_{\ell \in I_n} \left( \log(d^2(\omega, A_\ell) + \delta) - (\hat{f}_\ell(x) + \hat{b}^{(\ell)}_i) \right)^2$$
   • In wezen selecteert de methode het waargenomen object waarvan het profiel van getransformeerde afstanden tot de ankers het beste overeenkomt met het voorspelde profiel voor het specifieke onderwerp.

Theoretische Bijdragen
Het artikel stelt consistentieresultaten vast voor de voorgestelde schatter met behulp van M-schattingstheorie. Onder specifieke aannamen betreffende de uniciteit van de minimalizer, scheiding van risico en uniforme convergentie van het empirische criterium naar het populatiecriterium, bewijzen de auteurs dat de geschatte voorspellingstarget convergeert in waarschijnlijkheid naar de ware orakel-target, zelfs wanneer de random-effect structuur wordt behandeld als een werkmodel.

Empirische Resultaten
De methode werd geëvalueerd op vier datasets uit de digitale gezondheid die verschillende soorten objecten in metrische ruimten betreffen:

1. $L^2$ Hilbertruimte (Functionele Data):
   • NHANES (Fysieke Activiteit): Het incorporeren van random effects verlaagde de Mean Squared Error (MSE) op de testset met ~10% (van 16,26 naar 14,64).
   • CGMCR (Glucosekrommen): MSE-reductie van ~8,6% (van 4.368 naar 3.994). De niet-lineaire benadering presteerde in beide gevallen beter dan bestaande lineaire functionele mixed-effects modellen.
2. Wasserstein-metriek (Multivariate Verdelingen):
   • CGM 3D Verdelingen: Het voorstellen van glucose-dynamiek als multivariate verdelingen (glucose, snelheid, versnelling). Random effects leverden een aanzienlijke reductie van 57% in de kwadratische Wasserstein-fout op (van 986 naar 421), wat aangeeft dat subject-specifieke variatie de primaire drijver is voor gepersonaliseerde voorspelling in deze setting.
3. Frobenius-metriek (Grafen):
   • NHANES Laplaciaanse Grafen: Het voorstellen van temporele correlatiestructuren van activiteit. In dit geval bood random effects een verwaarloosbare verbetering (MSE 0,665 versus 0,664), wat suggereert dat de gethresholdde grafconstructie geen stabiele subject-specifieke signalen vastlegde. Een kleine subgroep van zeer sedentaire individuen vertoonde echter significante winst door de random-effects aanpak.

Betekenis en Claims
Het artikel claimt het eerste breed toepasbare, niet-lineaire random-effects raamwerk te bieden voor willekeurige random objects in metrische ruimten. De betekenis hiervan ligt in:

• Flexibiliteit: Het breidt massale univariate fitstrategieën uit naar data met waarden in metrische ruimten, zonder dat lineaire vectorruimtestructuren vereist zijn.
• Prestatie: Het toont aan dat anker-gebaseerde niet-lineaire modellering bestaande lineaire methoden gebaseerd op Hilbertruimten kan overtreffen en effectief individuele heterogeniteit kan vastleggen in complexe datastructuren zoals verdelingen en grafen.
• Praktijktoepasbaarheid: Het algoritme is computatievriendelijk, paralleliseerbaar en geschikt voor klinische data met hoge frequentie waarbij signalen niet altijd temporeel kunnen worden uitgelijnd.

De auteurs erkennen beperkingen, voornamelijk de computatiekosten van het fitten van meerdere univariate modellen, hoewel zij opmerken dat voor typische steekproefgroottes (bijvoorbeeld $n \approx 4000$) de oplossing computatievoldoend haalbaar is op high-performance clusters. Voor toekomstig werk wordt gesuggereerd schaalbaarheid via subsampling en kwantificatie van onzekerheid.