기능 그래프 모델(functional graphical models)은 최근 몇 년간 광범위하게 발전해 왔으며, 그 결과 기능 가우시안 그래프 모델(functional Gaussian graphical model), 기능 코퓰라 가우시안 그래프 모델(functional copula Gaussian graphical model), 기능 베이지안 그래프 모델(functional Bayesian graphical model), 비모수 기능 가법 그래프 모델(nonparametric functional additive graphical model), 조건부 기능 그래프 모델(conditional functional graphical model) 등 다양한 모델들이 제안되었다. 이러한 모델들은 무작위 함수(random functions)에 대한 어떤 모수적 분포 형태에 의존하거나, 확률적 조건부 독립성과는 다른 기준인 부가적 조건부 독립성(additive conditional independence)에 기반한다. 본 논문에서는 기능 충분 차원 축소(functional sufficient dimension reduction)에 기초한 비모수 기능 그래프 모델을 제안한다. 우리의 방법은 가우시안 또는 코퓰라 가우시안 가정만을 완화할 뿐 아니라, ``차원의 저주(curse of dimensionality)''를 피함으로써 추정 정확도 또한 향상시킨다. 또한 간선의 부재를 판단하는 기준으로서 확률적 조건부 독립성을 그대로 유지한다. 시뮬레이션 연구와 f-MRI 데이터셋에 대한 분석을 통해, 본 방법의 장점을 입증한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.