Learning Functional Graphs with Nonlinear Sufficient Dimension Reduction

Resumo Técnico: Aprendizado de Grafos Funcionais com Redução de Dimensão Suficiente Não Linear

Enunciado do Problema
Modelos gráficos funcionais são projetados para estimar estruturas de rede onde as observações nos vértices são funções aleatórias em vez de variáveis escalares. Isso é particularmente relevante em campos como neuroimagem (ex: f-MRI, EEG), onde os dados consistem em sinais de séries temporais através de regiões cerebrais. Métodos existentes para modelos gráficos funcionais enfrentam limitações significativas:

1. Suposições Paramétricas: Métodos como o Modelo Gráfico Gaussiano Funcional (FGGM) e o Modelo Gráfico Gaussiano de Cópula dependem de suposições Gaussianas ou de cópula-Gaussianas, que podem não se sustentar em dados do mundo real complexos.
2. Restrições de Aditividade: Abordagens não paramétricas baseadas em Independência Condicional Aditiva (ACI) relaxam as suposições de distribuição, mas impõem uma estrutura aditiva às relações, o que pode não capturar dependências não lineares gerais.
3. Maldição da Dimensionalidade: A avaliação direta da independência condicional entre vetores funcionais de alta dimensão ($X_{-(i,j)}$) é dificultada pela maldição da dimensionalidade, levando a uma baixa precisão de estimação.

Metodologia: O Modelo Gráfico Suficiente Funcional (f-SGM)
Os autores propõem um modelo gráfico funcional não paramétrico baseado em Redução de Dimensão Suficiente (SDR) não linear. O método, denominado f-SGM, constrói o grafo através de dois passos primários tanto no nível populacional quanto no nível amostral:

1. SDR Não Linear Funcional (Redução de Dimensão):

   • Para cada par de nós $(i, j)$, o método trata o par $(X_i, X_j)$ como a resposta e os demais nós $X_{-(i,j)}$ como preditores.
   • Ele emprega a Regressão Inversa Fatiada Generalizada Funcional (f-GSIR) para encontrar um preditor suficiente de baixa dimensão, denotado por $U_{ij}$.
   • Este passo baseia-se em Espaços de Hilbert de Núcleo Reproduzente (RKHS) e núcleos aninhados para mapear os dados funcionais de dimensão infinita em um espaço de dimensão finita. O $\sigma$-campo central para predizer $(X_i, X_j)$ dado $X_{-(i,j)}$ é identificado como o alcance de um operador de regressão dentro deste framework de RKHS.
   • Crucialmente, isso reduz o conjunto condicionante de alta dimensão $X_{-(i,j)}$ para um vetor de baixa dimensão $U_{ij}$ tal que $(X_i, X_j) \perp X_{-(i,j)} \mid U_{ij}$.

2. Teste de Independência Condicional via Híbrido CCCO:

   • Uma vez obtido $U_{ij}$, o método testa a independência condicional $X_i \perp X_j \mid U_{ij}$.
   • Para lidar com a mistura de dados funcionais ($X_i, X_j$ em espaços de Hilbert) e o preditor suficiente Euclidiano ($U_{ij}$), os autores introduzem um Operador de Covariância Condicional Conjunto Híbrido (Hybrid CCCO).
   • Este operador é definido dentro de um produto tensorial de RKHSs gerados por núcleos para os componentes funcionais e o vetor Euclidiano.
   • A ausência de uma aresta entre $i$ e $j$ é determinada se a norma de Hilbert-Schmidt do Hybrid CCCO for zero (ou abaixo de um limiar).

Detalhes de Implementação

• Nível Amostral: Os autores desenvolvem algoritmos usando mapeamentos de coordenadas para representar elementos de espaço de Hilbert e operadores como vetores e matrizes.
• Núcleos: Eles utilizam o núcleo de movimento Browniano para os espaços de Hilbert de primeiro nível (aproximando os dados funcionais) e Funções de Base Radial (RBF) Gaussianas para os espaços de segundo e terceiro nível (SDR e CCCO).
• Ajuste (Tuning): Parâmetros de ajuste para regularização de Tychonoff e larguras de banda de núcleos são selecionados usando Validação Cruzada Generalizada (GCV). O limiar da aresta também é determinado via GCV para minimizar o erro de predição.

Principais Contribuições

1. Flexibilidade Não Paramétrica: Ao contrário do FGGM ou modelos baseados em cópula, o f-SGM não requer suposições Gaussianas ou de distribuição paramétrica específica.
2. Além da Aditividade: Ao contrário dos métodos baseados em ACI, o f-SGM não assume independência condicional aditiva, permitindo capturar dependências não lineares gerais.
3. Mitigação da Maldição da Dimensionalidade: Ao reduzir o conjunto condicionante a um preditor suficiente $U_{ij}$, o método evita os problemas de estimação de alta dimensão associados a abordagens totalmente não paramétricas.
4. Teoria de Operadores Híbridos: O artigo define rigorosamente o Hybrid CCCO para lidar com o desafio estrutural específico de testar a independência entre funções aleatórias Hilbertianas condicionadas a um vetor Euclidiano.

Resultados
O artigo avalia o f-SGM através de estudos de simulação e uma aplicação no mundo real:

• Simulações: O método foi comparado contra FGGM, FAPO (Operador de Precisão Aditivo Funcional) e um SGM ingênuo (n-SGM) usando componentes principais.
  • Em modelos aditivos não lineares, o f-SGM teve desempenho comparável ao FAPO e significativamente melhor que o FGGM e o n-SGM.
  • Em modelos não lineares com heterocedasticidade (onde a dependência existe na variância condicional em vez da média), o f-SGM superou significativamente todos os outros métodos, incluindo o FAPO, que falhou em capturar estruturas de variância não aditivas.
  • Em modelos Gaussianos, embora o FGGM (o oráculo paramétrico) tenha apresentado o melhor desempenho, o f-SM demonstrou desempenho superior ao FAPO e ao n-SGM, indicando que perde menos informação do que métodos não paramétricos aditivos mesmo quando os dados são Gaussianos.
  • O método permaneceu robusto conforme a dimensão $p$ aumentava (até $p=40$) e as amostras variavam.
• Aplicação (f-MRI): O método foi aplicado a um conjunto de dados de f-MRI do consórcio ADHD (171 crianças: 73 ADHD, 98 controle). A análise visou detectar diferenças nas estruturas de redes cerebrais entre os dois grupos. Os resultados do f-SGM revelaram diferenças distintas nas redes entre os grupos ADHD e controle que eram menos aparentes ou estruturadas de forma diferente nas redes estimadas pelo FAPO, FGGM e n-SGM.

Significância e Alegações
Os autores alegam que o f-SGM oferece um framework não paramétrico flexível para aprender modelos gráficos funcionais que equilibra efetivamente a relaxação de suposições de distribuição com alta precisão de estimação. Ao integrar SDR não linear com teste de independência condicional via um operador híbrido, o método aborda a "maldição da dimensionalidade" sem recorrer a suposições de aditividade restritivas. O artigo posiciona o f-SGM como um avanço significativo para a análise de dados funcionais multivariados complexos, particularmente na neurociência, onde capturar dependências não Gaussianas e não aditivas é crítico.

Os autores notam modestamente que, embora a metodologia e a estrutura teórica no nível populacional estejam estabelecidas, propriedades assintóticas como consistência de estimação, taxas de convergência e inferência estatística ficam para pesquisas futuras.