Bayesian Plackett--Luce latent block models for ranked data

Technische Samenvatting: Bayesiaanse Plackett–Luce Latente Blokmodellen voor Gerangschikte Data

Probleemstelling
Gerangschikte data (ranking data), die vastleggen hoe beoordelaars een set items ordenen, zijn alom aanwezig in velden variërend van genetica tot consumentenonderzoek. Standaard probabilistische modellen, zoals het Plackett–Luce (PL) model, gaan uit van een enkele set itemsterktes of laten heterogeniteit toe via assessor-specifieke mengsels. Echter, bestaande mengmodellen behouden vaak een afzonderlijke sterktevector voor elk item binnen elk assessor-cluster. Deze aanpak faalt in het comprimeren van de itemdimensie, wat leidt tot hoogdimensionale parameterruimtes die moeilijk te schatten en te interpreteren zijn, vooral wanneer het aantal items groot is. Bovendien identificeren deze modellen niet direct groepen items die een vergelijkbare rol delen over verschillende assessor-populaties heen. De auteurs adresseren de behoefte aan een model dat zowel assessors als items gezamenlijk partitioneert om een parsimonieuze co-clusterstructuur te onthullen en de complexiteit van deze partities direct uit de data af te leiden.

Methodologie
Het artikel introduceert een Bayesiaans Plackett–Luce latent blokmodel (PL-LBM) dat assessor-clusters en item-blokken gezamenlijk modelleert.

• Modelstructuur: Het model gaat ervan uit dat $L$ assessors behoren tot $C$ clusters en $n$ items behoren tot $K$ blokken. Binnen een specifiek assessor-cluster $c$ delen alle items in een blok $k$ een gemeenschappelijke sterkteparameter $\lambda_{ck}$. Dit resulteert in een $C \times K$ sterkematrix, een significante reductie ten opzichte van de $C \times n$ matrix die vereist is door standaard PL-mengsels.
• Priors: Om te voorkomen dat het aantal clusters ($C$) en blokken ($K$) vooraf vastgesteld moet worden, gebruiken de auteurs onafhankelijke Gnedin-partitie-priors voor zowel de assessor- als de itemallocaties. Het Gnedin-proces is een Gibbs-type prior die een positieve waarschijnlijkheid toekent aan een eindig maar onbekend aantal groepen, waardoor het aantal groepen niet oneindig groeit naarmate er meer data wordt geobserveerd.
• Posterior Computatie: De PL-likelihood bevat denominatoren die sterkteparameters aan elkaar koppelen, wat directe conjunctieve updates verhindert. De auteurs maken gebruik van data-augmentatie door latente exponentiële wachttijden te introduceren (volgens Caron en Doucet, 2012), wat de Gamma-conjunctiviteit voor de sterkteparameters herstelt.
• Sampling Algoritme: Er is een gedeeltelijk gecollapseerde Gibbs-sampler ontwikkeld. Deze integreert de sterkteparameters analytisch uit om allocaties bij te werken. Om de partitieruimte effectief te navigeren en lokale modi te vermijden, bevat de sampler split–merge Metropolis–Hastings-bewegingen. Het algoritme bevat een rij-normalisatiestap om de schaalinvariantie van het PL-model te behandelen, waarbij sterktes worden ontleed in een geometrisch gemiddelde schaal en genormaliseerde relatieve sterktes.

Belangrijkste Bijdragen
Het artikel levert drie primaire methodologische bijdragen:

1. Gezamenlijke Co-clustering voor Rangschikkingen: Het formuleert een latent blokmodel specifief voor gerangschikte data dat zowel assessors als items gezamenlijk partitioneert. In tegenstelling tot geneste modellen waarbij de itemgroeperingen variëren per assessor-cluster, schat dit model één globale itempartitie in, wat een gemeenschappelijk coördinatensysteem biedt voor het vergelijken van assessor-populaties.
2. Nonparametrische Complexiteitsinferentie: Door onafhankelijke Gnedin-priors te gebruiken, leidt het model het aantal assessor-clusters en item-blokken direct uit de data af, in plaats van dat deze dimensies willekeurig vastgelegd of begrensd moeten worden.
3. Tractable MCMC met Split–Merge Bewegingen: De auteurs leiden een gecollapseerde posterior af die efficiënte Gibbs-updates mogelijk maakt. Ze combineren dit met split–merge-voorstellen om een robuuste exploratie van de partitieruimte te garanderen, waarbij een computationele kostenpost wordt bereikt die lineair is in het aantal assessors en items.

Resultaten

• Simulatiestudie: Het model werd geëvalueerd op synthetische data met variërende signaalsterkte (log-sterkte scheiding), rangschikkingsdiepte en groepsbalans. Resultaten geven aan dat het model beide latente partities succesvol herstelt wanneer het signaal en de rangschikkingsdiepte voldoende zijn. In regimes met zwakke signalen en ondiepe rangschikkingen blijft de posterior massa verspreid over plausibele partities, wat duidt op genuante onzekerheid in plaats van modelfalen. De studie toonde ook aan dat de recovery van assessors stabiel blijft, zelfs wanneer items binnen een echt blok een lichte heterogeniteit vertonen, hoewel de item-recovery degradeert naarmaling van de binnen-blok variatie neemt.
• Toepassing op TCGA Pan-Cancer Data: Het model werd toegepast op top-500 genexpressie-rangschikkingen van 2.617 tumor-samples over 1.247 genen.
  • Structuur: Het gezamenlijke model identificeerde 19 sample-clusters en 259 gen-blokken. De sample-clusters kwamen grotendeels overeen met de weefselherkomst (bijv. onderscheidende clusters voor KIRC, GBM, LAML), maar legden ook cross-tissue groeperingen vast (bijv. gemengde LUAD/LUSC clusters).
  • Compressie: Het model comprimeerde de 1.247 genen naar 259 blokken, met een mediane blokgrootte van 4. Dit maakte de identificatie van gedeelde genprogramma's over verschillende tumortypen mogelijk. Zo werd bijvoorbeeld een specifiek 10-genen blok gevonden dat de hoogste sterkte had in zowel long-plaveiselcel- als hoofd- en halsplaveiselcel-clusters.
  • Voorspellende Prestaties: Het gezamenlijke model vertoonde een verbeterde conditionele voorspellende fit (lagere WAIC) vergeleken met een assessor-alleen PL-mengsel, terwijl het aanzienlijk minder parameters gebruikte (4.921 vs. 14.964).
  • Biologische Interpretatie: Rank-gebaseerde Gen Set Enrichment Analysis (GSEA) op de posterior gen-scores ondersteunde biologische interpretaties, waarbij onderscheidende pathway-verrijkingen voor verschillende sample-clusters werden geïdentificeerd (bijv. celcyclus-signalen in specifieke BRCA-clusters).

Betekenis en Claims
De auteurs claimen dat de PL-LBM een parsimoneuze en interpreteerbare representatie van gerangschikte data biedt door heterogeniteit in assessor-rangschikkingen te scheiden van heterogeniteit in de behandeling van items. Door een gedeelde itempartitie te schatten, stelt het model direct de vergelijking van item-belang tussen verschillende assessor-groepen mogelijk, een capaciteit die ontbreekt in standaard mengmodellen. De toepassing op pan-cancer data demonstreert het vermogen van het model om weefsel-gestuurde sample-structuren te onthullen, terwijl het gen-niveau heterogeniteit comprimeert tot interpreteerbare blokken. De auteurs merken op dat de primaire beperking de aanname is van een enkele gedeelde itempartitie en gelijke sterkte binnen blokken, wat restrictief kan zijn als assessor-clusters items fundamenteel anders rangschikken of als er substantiële binnen-blok heterogeniteit bestaat. Desalniettemin biedt het model een robuust kader voor het co-clusteren van gerangschikte data met automatische complexiteitsselectie.