Mixture of Directed Graphical Models for Discrete Spatial Random Fields

Resumo Técnico: Mistura de Modelos Gráficos Direcionados para Campos Aleatórios Espaciais Discretos

Definição do Problema
Modelar resultados de valores discretos associados a unidades de área com dependência espacial (processos espaciais discretos) apresenta desafios teóricos e computacionais significativos, particularmente dentro da estrutura Bayesiana, onde se deseja a inferência posterior completa. A abordagem padrão utiliza Campos Aleatórios de Markov (MRFs) definidos em um Grafo Não Direcionado Natural (NUG) conhecido, que representa a contiguidade espacial. No entanto, a inferência exata para MRFs discretos é computacionalmente intratável devido a uma constante de normalização intratável (função de partição). Embora aproximações de pseudo-verossimilhança (frequentemente denominadas "MRF aproximado" ou aMRF) sejam amplamente utilizadas para contornar essa dificuldade, elas não garantem uma inferência posterior válida, pois a pseudo-verossimilhança não corresponde necessariamente a uma distribuição de probabilidade válida.

Metodologia
Os autores propõem uma nova estrutura estatística chamada Mistura de Modelos Gráficos Direcionados (MDGM). Esta abordagem utiliza o NUG não como uma especificação direta da distribuição conjunta, mas como um template para as dependências entre as unidades de área.

1. Compatibilidade e Construção de DAG: A contribuição teórica central é a definição de compatibilidade entre um Grafo Acíclico Direcionado (DAG) e um NUG.

   • Compatibilidade Fraca: Um DAG é fracamente compatível se suas arestas correspondem às arestas no NUG (ou seja, o esqueleto do DAG é um subgrafo do NUG).
   • Compatibilidade Forte: Um DAG é fortemente compatível se for fracamente compatível e não introduzir novas dependências condicionais não presentes no NUG. Especificamente, DAGs fortemente compatíveis não devem conter "v-estruturas" (padrões $i \to j \leftarrow k$) com pais "não conectados" (onde não existe uma aresta entre $i$ e $k$).
   • Os autores demonstram que árvores geradoras (spanning trees) derivadas do NUG são uma classe de DAGs que são sempre fortemente compatíveis.

2. Especificação do Modelo: O prior MDGM para o campo latente $z$ é definido como uma mistura sobre um conjunto de DAGs compatíveis, $\mathcal{D}(N)$:
   $$p(z|\xi) = \sum_{D \in \mathcal{D}(N)} p(D)p(z|D, \xi)$$
   onde $p(z|D, \xi)$ é um Modelo Gráfico Direcionado (DGM) que se fatoriza em distribuições condicionais baseadas na topologia do DAG. Essa fatoração permite a avaliação computacionalmente eficiente da probabilidade conjunta, evitando a função de partição exigida pelos MRFs.

   • O artigo foca em duas classes específicas: Árvores Geradoras (ST) e Orientações Acíclicas (AO).
   • Os dados observados $y$ são modelados como variáveis de Bernoulli condicionalmente independentes dado o campo latente $z$, com parâmetros de ruído $\eta$.

3. Inferência: A inferência posterior é conduzida via Cadeia de Markov Monte Carlo (MCMC). O algoritmo trata a estrutura do DAG $D$ como um estado oculto que é atualizado juntamente com o campo latente $z$ e os parâmetros $\xi$ e $\eta$. Para a classe de Árvores Geradoras, a complexidade computacional é de $O(n \log n)$, significativamente mais rápida que a complexidade de $O(n^3)$ da inferência exata de MRF.

Principais Contribuições

• Fundamentação Teórica: O artigo define formalmente a "compatibilidade" para unir a teoria dos grafos e a modelagem estatística, fornecendo um método principista para derivar DAGs de um NUG que preservam a estrutura de dependência espacial subjacente.
• Inferência Válida: Ao contrário do aMRF, o MDGM é uma distribuição de probabilidade válida, garantindo que a inferência posterior seja teoricamente sólida.
• Eficiência Computacional: O framework MDGM, particularmente utilizando árvores geradoras, oferece uma alternativa computacionalmente rápida à inferência exata de MRF, enquanto evita os problemas teóricos das aproximações de pseudo-verossimilhança.
• Flexibilidade: O framework permite a inclusão de informações a priori sobre pesos de arestas e pode ser aplicado a várias combinações de variáveis latentes e observadas, tanto discretas quanto contínuas.

Resultados
Os autores avaliam o MDGM através de estudos de simulação e uma aplicação a dados ecométricos do estudo Adolescent Health and Development in Context (AHDC).

• Estudo de Simulação: Os dados foram gerados a partir de um MRF, e os modelos foram ajustados usando MDGM (classes de Árvore Geradora e Orientação Acíclica), MRF exato e aMRF.

  • Precisão: Todos os modelos tiveram desempenho semelhante na estimativa da precisão do campo latente.
  • Dependência Espacial: O MDGM com Árvores Geradoras (MDGM-ST) apresentou consistência de desempenho com o MRF exato na recuperação da verdadeira dependência espacial. O aMRF mostrou maior erro na estimativa da dependência espacial, particularmente conforme o parâmetro de dependência aumentava.
  • Qualidade da Aproximação: Medida pela Distância de Variação Total, o MDGM-ST forneceu uma melhor aproximação para a posterior do MRF verdadeiro do que tanto o MDGM-AO quanto o aMRF.
  • Computação: O aMRF foi o mais rápido (0,8s), seguido de perto pelos modelos MDGM (1,7–1,8s). O MRF exato foi significativamente mais lento (62,3s).

• Aplicação AHDC: O MDGM-ST foi aplicado a 615 grupos de blocos censitários para modelar percepções de desordem física (lixo).

  • A média posterior do campo latente foi semelhante entre MDGM-ST e aMRF.
  • O MDGM-ST estimou probabilidades ligeiramente maiores de a variável latente ser "1" (problemática) e menores parâmetros de erro em comparação ao aMRF.
  • A validação cruzada mostrou desempenho preditivo praticamente equivalente entre os dois modelos.
  • A principal vantagem do MDGM-ST neste contexto foi a validade da distribuição posterior e a capacidade de derivar probabilidades de inclusão de arestas a posteriori, oferecendo um resumo espacialmente explícito da dependência local.

Significância e Alegações
O artigo posiciona o MDGM não como uma aproximação de um MRF, mas como uma alternativa distinta e válida para modelar campos aleatórios espaciais discretos. Os autores alegam que o framework MDGM:

1. Fornece inferência posterior válida onde a abordagem popular aMRF não fornece.
2. Oferece velocidade computacional comparável a aproximações e superior à inferência exata de MRF.
3. Unifica conceitos de teoria dos grafos (árvores geradoras, compatibilidade) com modelagem espacial Bayesiana.
4. Especificamente, a classe de Árvore Geradora é destacada como uma opção padrão robusta que é fortemente compatível com o NUG, capturando efetivamente a dependência espacial sem introduzir dependências espúrias, e performando como uma aproximação superior à posterior do MRF em comparação aos métodos existentes.

Os autores concluem que, para configurações de resultados discretos onde a inferência Bayesiana completa é desejada, o MDGM (particularmente a classe de árvore geradora) é uma alternativa atraente, flexível e computacionalmente eficiente tanto para o MRF exato quanto para o aMRF sem fundamentação teórica.