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

Technisch Resumé: Composition als Richting: Een Active-Set Ray-Based Model voor Sparse Hoog-Dimensionale Compositionele Data

1. Probleemstelling

Compositionele data, die veel voorkomen in microbiologisch, ecologisch en milieubestudingsonderzoek, presenteren vier gelijktijdige uitdagingen: exacte nullen, latente afhankelijkheid tussen componenten, hoge dimensionaliteit en de eenheids-som-restrictie (simplex-sluiting). De eenheids-som-restrictie induceert een niet-Euclidische geometrie waarbij geobserveerde proporties met elkaar concurreren, wat onderliggende latente associaties die gedreven worden door gedeelde omgevingsfactoren vaak kan maskeren of het teken ervan kan omdraaien.

Bestaande benaderingen falen in het gezamenlijk adresseren van deze kenmerken:

• Dirichlet-type modellen leggen inflexibele covariantiestructuren op die gekoppeld zijn aan het gemiddelde en kunnen geen willekeurige positieve correlaties weergeven die worden geïnduceerd door gedeelde latente drijfveren.
• Logistiek-normale modellen bieden flexibiliteit via log-ratio transformaties maar zijn ongedefinieerd bij exacte nullen, wat vereist dat ad hoc vervangingen worden gebruikt die aanwezigheid verwarren met dominantie.
• Geprojecteerde Gaussische modellen (bijv. Elliptically Symmetric Angular Gaussian) behouden de directionele structuur en gaan om met nullen, maar vereisen conditionering op de niet-negatieve orthant. Dit noodzaakt het evalueren van een parameter-afhankelijke orthant-waarschijnlijkheid (de waarschijnlijkheid dat een Gaussische vector in de positieve orthant landt), wat computationeel onhaalbaar wordt naarmate de dimensie $d$ toeneemt vanwege de exponentiële divergentie van de variantie in standaard schatters.

2. Methodologie: Het Active-Set Ray-Based Compositional (ARC) Framework

De auteurs stellen het ARC-framework voor, dat een compositie niet herdefinieert als een punt op de simplex, maar als de geobserveerde richting van een latente abundantievector met een niet-geobserveerde magnitude en een expliciet gemodelleerde active set.

Geometrische Inbedding:
De compositie $u$ wordt naar de niet-negatieve orthant van de eenheids-hypersfeer $S^{d-1}_{0,+}$ gemapt via een elementgewijze worteltransformatie $y = \sqrt{u}$. Dit behoudt exacte nullen als grenspunten ($u_k=0 \iff y_k=0$) zonder dat vervanging of regularisatie nodig is.

Active-Set Factorisatie:
Het model deelt de likelihood op in twee onderscheiden processen:

1. Het Active-Set Proces ($A_i$): Een discreet aanwezigheid/afwezigheidsproces dat bepaalt welke componenten aanwezig zijn ($y_{ik} > 0$). Dit wordt gemodelleerd met een probit-factor specificatie met covariaten en latente factoren om co-occurrence patronen te vangen. Structurele nullen worden behandeld als een gemodelleerd evenement in plaats van een hinderlijke factor.
2. De Positieve Subcompositie ($y^+_i$): Geconditioneerd op de active set $A_i$, wordt de positieve subcompositie gemodelleerd door een multivariate Gaussische dichtheid langs de positieve stralen van de actieve subspace te evalueren.

Latente Radius Augmentatie:
Een cruciale innovatie is de introductie van een latente radius $r_i > 0$. De latente actieve vector wordt gedefinieerd als $x^+_i = r_i y^+_i$.

• De vector $x^+_i$ volgt een multivariate Gaussische distributie $N(\mu^+_i, V_{A_i A_i})$ in de actieve subspace.
• De geobserveerde data $y^+_i$ is de richting van $x^+_i$.
• Door $r_i$ als een hulpvariabele te behandteren, evalueert het model de Gaussische dichtheid langs de geobserveerde straal. Deze constructie elimineert de noodzaak voor de orthant normaliserende constante (de waarschijnlijkheid dat $x^+_i$ in de positieve orthant valt) omdat de conditionering op de active set en de positiviteit van $r_i$ ervoor zorgen dat het support van nature beperkt is tot de positieve orthant door constructie.

Covariantiestructuur:
Om schaalbaarheid in hoge dimensies ($d \gg n$) te garanderen, wordt de latente covariantie $V$ geparametriseerd met behulp van een low-rank factor model: $V = \Lambda\Lambda' + D$. Dit reduceert het aantal parameters van $O(d^2)$ naar $O(dq + d)$ en maakt het mogelijk om willekeurige latente afhankelijkheid (positief of negatief) op de abundantie-schaal te herstellen, wat verschilt van de compositionele schaal.

Inferentie:
Het framework wordt geïmplementeerd via een Bayesiaans hiërarchisch model met behulp van MCMC. De sampler maakt gebruik van:

• Latente radius updates (1D Metropolis).
• Albert-Chib augmentatie voor het probit active-set model.
• Conditioneel Gaussische updates voor factoren, regressiecoëfficiënten en loadings.
  De computationele kosten per iteratie schalen lineair met $d$ voor een vaste factor-rang en sparse active sets, waardoor de exponentiële kosten van orthant-waarschijnlijkheidsevaluatie worden vermeden.

3. Belangrijkste Bijdragen

Het artikel claimt vier primaire bijdragen:

1. Modelvoorstel: Het ARC-model voor sparse, hoog-dimensionale compositionele data, waarbij een likelihood wordt afgeleid die de straal als een hulpvariabele behandelt.
2. Structurele Nul-afhandeling: Een uitbreiding naar structurele nullen via een active-set formulering die het aanwezigheid/afwezigheidsproces scheidt van de positieve subcompositie, waardoor afzonderlijke covariaten en priors voor elk kunnen worden gebruikt.
3. Tractabele Inferentie: De introductie van een low-rank factor covariantie gekoppeld aan een probit active-set model, wat conditioneel Gaussische updates oplevert die schalen naar hoge dimensies zonder orthant-waarschijnlijkheidsberekeningen.
4. Gezamenlijk Herstel: Demonstratie dat het active-set proces en de latente positieve afhankelijkheid gezamenlijk kunnen worden hersteld op sparse, hoog-dimensionale data.

4. Resultaten

Een simulatiestudie met $n=350$ en dimensies $d \in \{20, \dots, 1000\}$ onder variërende sparsity-regimes en afhankelijkheidsstructuren (block en unstructured) leverde het volgende op:

• Active-Set Herstel: Het model herstelde consistent de structuur van co-occurrence (AUC 0.83–0.86) en pairwise co-activation rates (correlatie > 0.97) over alle dimensies en sparsity-niveaus.
• Latente Afhankelijkheid Herstel: Het model slaagde erin de ware latente correlatiematrix $R$ te herstellen (correlatie tussen geschatte en ware correlaties > 0.93, vaak > 0.99).
• Vergelijking met Baselines: De empirische correlatie van geobserveerde composities (de "geobserveerde baseline") slaagde er niet in om latente afhankelijkheid te vangen, waarbij correlaties daalden tot zo laag als 0.21 onder hoge sparsity. Dit bevestigt dat simplex-sluiting de latente positieve afhankelijkheid ernstig maskeert, een signaal dat het ARC-model succesvol herstelt.
• Schaalbaarheid: De methode bleef stabiel en accuraat naarmate $d$ toenam, profiterend van de "blessing of dimensionality" waarbij meer componenten die op dezelfde factoren laden de schatting van de gedeelde subspace verscherpen.

5. Betekenis en Claims

Het artikel positioneert het ARC-framework als een conceptuele en computationele vooruitgang voor compositionele data-analyse.

• Conceptuele Herformulering: Het herdefinieert een compositie als de geobserveerde richting van een latente abundantievector. Deze scheiding maakt het mogelijk om te onderscheiden tussen mechanismen die aanwezigheid regelen (structurele nullen, dispersie) en mechanismen die dominantie regelen (competitie, gedeelde drijfveren).
• Overwinnen van Computationele Barrières: Door de orthant normaliserende constante te vermijden, maakt het framework geprojecteerde Gaussische modellen haalbaar voor hoog-dimensionale settings waar eerdere truncatie-gebaseerde benaderingen computationeel onhaalbaar waren.
• Wetenschappelijke Bruikbaarheid: Het framework is bijzonder geschikt voor velden zoals microbiologie en ecologie waar exacte nullen en gedeelde positieve responsen centrale wetenschappelijke kenmerken zijn in plaats van data-artefacten. Het herstelt de "abundantie-schaal" afhankelijkheid die anders gemaskeerd zou worden door de eenheids-som-restrictie, wat een nauwkeurigere representatie biedt van biologische en ecologische processen.

De auteurs merken op dat hoewel de huidige implementatie een vaste factor-rang gebruikt, het framework compatibel is met adaptieve rangselectie (bijv. multiplicative gamma processes) en uitgebreid kan worden naar ruimtelijke, spatio-temporele en detectiefout-settings door gebruik te maken van de conditionele Gaussische structuur van de geaugmenteerde actieve vectoren.