Separate Exchangeability as Modeling Principle in Bayesian Nonparametrics

Resumo Técnico: Troca de Exponencialidade Separada como um Princípio de Modelagem em Não-Paramétricos Bayesianos

Enunciado do Problema
O artigo aborda uma lacuna na inferência não-paramétrica bayesiana (BNP) em relação ao tratamento de dados estruturados como matrizes (arrays retangulares) envolvendo dois tipos distintos de unidades experimentais (por exemplo, linhas e colunas). Embora a troca de exponencialidade (invariância a todas as permutações) e a troca de exponencialidade parcial (invariância a permutações dentro de grupos específicos) sejam princípios bem estabelecidos, os autores argumentam que a troca de exponencialidade separada — invariância a permutações independentes de índices de linhas e colunas — é frequentemente subutilizada na literatura de BNP, apesar de ser o princípio de modelagem natural para esses tipos de estruturas de dados.

O problema central surge quando modelos de BNP padrão, particularmente aqueles baseados em medidas aleatórias discretas dependentes (como o Processo de Dirichlet Dependente, DDP), induzem troca de exponencialidade parcial em vez de troca de exponencialidade separada. Em cenários onde as mesmas unidades experimentais (por exemplo, genes, proteínas ou OTUs específicos) são observadas através de diferentes blocos (por exemplo, sujeitos, pontos no tempo ou condições), a troca de exponencialidade parcial impõe uma simetria restritiva: ela permite o empréstimo de informações em relação à distribuição dos clusters entre os grupos, mas falha em permitir o empréstimo em relação à realização específica dos clusters. Por exemplo, sob a troca de exponencialidade parcial, observar que a Unidade A e a Unidade B estão agrupadas no Grupo 1 não aumenta a probabilidade de que a Unidade A e a Unidade B estejam agrupadas no Grupo 2, a menos que a probabilidade de A se agrupar com qualquer outra unidade também aumente. Isso ignora a identidade estrutural das unidades através da matriz.

Metodologia
Os autores propõem um framework para construir modelos de BNP tratáveis que reforçam explicitamente a troca de exponencialidade separada. Eles introduzem duas classes primárias de modelos:

1. Partições Aninhadas com Troca de Exponencialidade Separada:

   • Conceito: Os autores generalizam modelos de partição aninhada (como o Processo de Dirichlet Aninhado, NDP) para respeitar a troca de exponencialidade separada. Em vez de compartilhar apenas a lei a priori de partições entre os grupos (como no NDP), o modelo proposto compartilha a realização da partição dentro de clusters de grupos.
   • Construção: O modelo primeiro agrupa as colunas (grupos) usando uma Função de Probabilidade de Partição Exponencial (EPPF). Dentro de cada cluster de colunas, as linhas (unidades experimentais) são particionadas. Crucialmente, todas as colunas dentro de um cluster específico compartilham a exata mesma realização da partição de linhas.
   • Implementação: Eles propõem um "NDP-CAM com Troca de Exponencialidade Separada" (Processo de Dirichlet Aninhado com Átomos Comuns). Este modelo utiliza indicadores latentes para definir clusters de colunas e partições de linhas aninhadas. Demonstra-se que ele satisfaz o teorema de representação de Aldous-Hoover para arrays com troca de exponencialidade separada.
   • Generalização: O framework permite substituir os priors de Processo de Dirichlet (DP) padrão por processos do tipo Gibbs mais flexíveis (por exemplo, Processo de Pitman-Yor, Mistura de Misturas Finitas) tanto para a partição de colunas quanto para a partição de linhas, mantendo a tratabilidade computacional via processos de Restaurante Chinês generalizados (gCRP).

2. Regressão Não-Paramétrica com Troca de Exponencialidade Separada:

   • Conceito: Os autores adaptam o Processo de Dirichlet Dependente (DDP) para problemas de regressão envolvendo dois conjuntos de unidades experimentais (por exemplo, proteínas e sujeitos).
   • Construção: Eles modificam o ANOVA DDP introduzindo efeitos aditivos nos átomos da medida aleatória. Especificamente, os átomos são definidos como preditores lineares contendo termos específicos para a unidade de linha, termos específicos para a unidade de coluna e um termo global.
   • Formulação: O modelo assume que $y_{i,j} \sim F_{(i,j)}$, onde a medida aleatória $F_{(i,j)}$ possui átomos centrados em $\beta_h + \xi_i + \eta_j$. Esta estrutura garante que a lei conjunta seja invariante a permutações separadas de $i$ e $j$.
   • Flexibilidade: Semelhante aos modelos de partição, os priors para os efeitos de linha e coluna podem ser escolhidos a partir de processos do tipo Gibbs para permitir o agrupamento flexível dos coeficientes de regressão.

Contribuições Principais

• Clarificação Teórica: O artigo reinterpreta argumentos ad hoc existentes contra certos modelos de partição aleatória dependente (por exemplo, Lee et al., 2013; Page et al., 2022) como consequências da violação da troca de exponencialidade separada. Fornece uma justificativa probabilística formal para o porquê da troca de exponencialidade parcial ser inapropriada quando as mesmas unidades experimentais aparecem em múltiplos grupos.
• Construção de Modelos: Fornece a primeira derivação sistemática de contrapartes de troca de exponencialidade separada para modelos de BNP amplamente utilizados (especificamente NDP e DDP).
• Tratabilidade: Os autores demonstram que esses modelos permanecem analiticamente e computacionalmente tratáveis. Eles derivam as Funções de Probabilidade de Partição Exponencial (EPPF) e as pEPPF implícitas, permitindo o uso de algoritmos MCMC padrão (especificamente amostragem de Gibbs parcialmente colapsada).
• Empréstimo de Força: O artigo esclarece a natureza do empréstimo de informação: a troca de exponencialidade separada permite aprender sobre o co-agrupamento específico de unidades em um grupo para informar o co-agrupamento em outro grupo, um recurso ausente na troca de exponencialidade parcial padrão.

Resultados e Aplicações
Os autores ilustram a metodologia utilizando dois conjuntos de dados do mundo real:

1. Dados de Microbioma (Estudo de Troca de Dieta):

   • Dados: Frequências de 119 Unidades Taxonômicas Operacionais (OTUs) através de 38 sujeitos.
   • Aplicação: O modelo agrupa sujeitos com base em seus perfis de microbioma enquanto simultaneamente agrupa OTUs dentro desses clusters de sujeitos.
   • Resultado: O modelo identificou com sucesso clusters de sujeitos correspondentes a regiões geográficas (EUA vs. África rural). Crucialmente, ao contrário dos modelos de troca de exponencialidade parcial, ele forneceu inferência significativa sobre o co-agrupamento de OTUs específicas dentro dos clusters de sujeitos, respeitando a identidade das OTUs entre os sujeitos.

2. Dados de Expressão Proteica (Estudo de Ataxia):

   • Dados: Abundância de aproximadamente 3.990 proteínas através de 32 sujeitos (16 controles, 16 pacientes) medidos em várias idades.
   • Aplicação: Um modelo de regressão não-paramétrica foi usado para identificar proteínas com trajetórias de expressão diferencial ao longo da idade entre casos e controles.
   • Resultado: O modelo estimou diferenças de inclinação específicas de proteína ($\gamma_i$) e classificou as proteínas pela magnitude dessas diferenças. A abordagem identificou com sucesso as principais proteínas associadas à doença, demonstrando a utilidade da troca de exponencialidade separada no tratamento de designs experimentais complexos com dados faltantes.

Significância e Alegações
O artigo argumenta que a troca de exponencialidade separada é um princípio de modelagem superior para dados estruturados em matrizes onde as unidades experimentais mantêm sua identidade através de diferentes condições. Os autores alegam que:

1. Fidelidade ao Design: A troca de exponencialidade separada representa mais fielmente a configuração experimental do que a troca de exponencialidade parcial, que muitas vezes descarta informações estruturais do design da matriz.
2. Necessidade de Inferência Específica: Certos objetivos inferenciais, como determinar se uma unidade específica (por exemplo, OTU 1 e OTU 2) está agrupada em múltiplos grupos, não podem ser formulados ou realizados de forma coerente sem a troca de exponencialidade separada.
3. Viabilidade Prática: Os modelos propostos não são meras construções teóricas, mas são computacionalmente viáveis e oferecem alternativas flexíveis às ferramentas de BNP existentes, preservando a capacidade de realizar inferência na prática enquanto respeitam as simetrias específicas dos dados.

Os autores concluem que a consideração cuidadosa da configuração experimental frequentemente exige ir além da troca de exponencialidade "ônibus" ou da troca de exponencialidade parcial padrão para suposições de simetria mais específicas, como a troca de exponencialidade separada.