【數據科學新知分享】如何決定高維度CCA的典型相關配對數？脊比例準則的新突破
文／國立臺灣大學 流行病學與預防醫學研究所 劉佳柔
本文介紹一篇發表於2021年的《Annals of the Institute of Statistical Mathematics》期刊的研究——《Determining the number of canonical correlation pairs for high-dimensional vectors》，由Zheng與Zhu共同完成。該研究聚焦於高維度典型相關分析（Canonical Correlation Analysis, CCA）中的關鍵問題：如何準確判定應保留多少組典型相關配對。作者提出一套兼具理論與實務可操作性的「脊比例準則（ridge ratio criterion）」，有效改善傳統方法在高維度情境下的不足。本文將介紹其核心思想，並進一步探討其潛在發展方向。
一、背景回顧：高維度數據對傳統 CCA 的挑戰
典型相關分析由Hotelling於1936年提出，主要用於探索兩組多維變數之間的關聯結構，其核心目標是在兩組變數中分別尋找線性組合，使兩者之間的相關性達到最大，進而獲得一系列典型相關配對。
在傳統統計框架下，當變數維度固定且樣本數充足時，決定典型相關配對數量的方法已相當成熟。然而，現代數據分析經常面臨「高維度、小樣本」情境，變數維度甚至可能與樣本數同步增長。在此情況下，樣本特徵值的行為會與母體特徵值產生顯著偏離，使傳統判定方法失去原有的理論基礎與實務效果。
論文指出，常見方法在高維度環境下存在以下問題：
AIC與Cp準則：缺乏一致性，容易高估典型相關配對數量。
BIC：傾向過度保守，經常低估真實秩數。
碎石圖（Scree plot）：高度依賴人工判讀，當母體存在重複或接近的特徵值時，往往難以辨識真正的訊號結構。
因此，如何在高維度資料中穩定且準確地估計典型相關配對數量，成為CCA研究的重要課題。
二、 核心創新：脊比例與「谷-崖」視覺效應
為解決上述問題，作者提出兩種基於脊比例（ridge ratio）的秩估計方法。
第一種方法利用相鄰特徵值差異建立比例關係。為避免分母接近零時造成數值不穩定，作者引入隨樣本數增加而趨近於零的脊值（ridge value）作為修正項。
第二種方法則進一步考量高維度隨機矩陣理論的特性。由於高維度下代表雜訊的特徵值並不會收斂至零，而是趨近某個理論上限 (d_+)，因此作者先將特徵值進行中心化，再建立脊比例準則。模擬結果顯示，此方法的整體表現最為優異。
這兩種方法最具特色之處，在於會形成明顯的「谷－崖（valley-cliff）」模式。當索引值來到真實秩數位置時，比例值會急遽下降形成谷底；而下一個位置則因數學結構產生大幅跳升，形成懸崖。這種鮮明的非連續特徵，使真實秩數能夠被清楚辨識，無論是在數值計算或圖形視覺化上都具有高度優勢。
作者進一步將方法應用於癌症基因體圖譜（TCGA）的真實乳癌數據集，分析mRNA基因表現與DNA甲基化資料之間的關聯。在處理後的高維度資料中（p=265與q=86），中心化脊比例準則成功辨識出16組潛在典型相關配對，展現其良好的實務應用能力。
三、 延伸見解與未來展望
閱讀本研究後，除了對其理論設計印象深刻外，也能從更廣泛的數據科學視角思考其未來發展方向。
1. 超參數選擇的自動化需求
目前方法仍需要仰賴使用者設定門檻值參數（例如 τ_1 建議為0.5，τ_2 建議為0.8）。雖然作者指出結果對參數變動並不敏感，但在智慧化分析日益普及的趨勢下，若能發展資料驅動的門檻值選擇機制，將進一步提升方法的普適性與自動化程度。
2. 非常態分佈下的理論拓展
本研究的漸近理論主要建立在常態分佈的假設之上。然而模擬研究結果顯示，當資料來自自由度為10的Student's t分佈時，其表現甚至優於常態分佈情況。這項結果暗示該方法可能具有優異的強健性（robustness）。未來若能建立非常態分佈下的理論基礎，將能大幅擴展此方法在各領域的普適性。
3. 與多模態資料分析的潛在結合
近年來人工智慧快速發展，許多研究開始同時整合影像、文字、基因體訊號與感測器資料等多模態（multimodal）資訊。從本質上來看，CCA正是研究兩組高維資料關聯性的經典工具，而秩數決定則直接影響潛在共享資訊的估計結果。因此，脊比例準則未來不僅可應用於傳統統計問題，也有機會成為多模態學習或跨模態資料融合的重要輔助工具，進一步提升模型對潛在共同結構的辨識能力。
四、 結語
面對高維度資料帶來的維度詛咒，如何從大量雜訊中辨識真正有意義的訊號，一直是現代統計學的重要課題。Zheng 與 Zhu 提出的脊比例準則，透過巧妙的數學設計與直觀的「谷－崖」視覺特徵，為高維度典型相關分析的秩數判定提供了一個兼具理論與實務價值的解決方案。
隨著高維度資料、多模態分析與人工智慧技術持續發展，此類結合隨機矩陣理論與統計推論的方法，預期將在未來扮演更重要的角色，也值得研究者持續關注與深入探索。
文獻出處：
Zheng, J., & Zhu, L. (2021). Determining the number of canonical correlation pairs for high-dimensional vectors. Annals of the Institute of Statistical Mathematics, 73, 737-756.
----------------------------------------------------------------------
公衛四季：臺大公衛電子報第022期【2026夏季號】文章 延伸閱讀
分享到:
