기능적 그래픽 모델(functional graphical models)은 최근 몇 년 동안 광범위하게 발전해 왔으며, 기능적 가우시안 그래픽 모델(functional Gaussian graphical model), 기능적 코퓰라 가우시안 그래픽 모델(functional copula Gaussian graphical model), 기능적 베이지안 그래픽 모델(functional Bayesian graphical model), 비모수 기능적 가법 그래픽 모델(nonparametric functional additive graphical model), 조건부 기능적 그래픽 모델(conditional functional graphical model)과 같은 다양한 모델들이 제안되었다. 이러한 모델들은 무작위 함수(random functions)에 대한 분포의 어떤 매개변수적 형태에 의존하거나, 확률적 조건부 독립성과는 다른 기준인 가법적 조건부 독립(additive conditional independence)에 기반한다. 본 논문에서는 기능적 충분 차원 축소(functional sufficient dimension reduction)에 기초한 비모수 기능적 그래픽 모델을 도입한다. 제안 방법은 가우시안 또는 코퓰라 가우시안 가정을 완화할 뿐만 아니라, ``차원의 저주(curse of dimensionality)''를 회피함으로써 추정 정확도를 향상시킨다. 또한 간선(edge)의 부재를 결정하는 기준으로 확률적 조건부 독립성을 그대로 유지한다. 시뮬레이션 연구와 f-MRI 데이터셋 분석을 통해 본 방법의 장점을 보인다.

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