[論文レビュー] Confidence intervals for sensitivity indices using reduced-basis metamodels

Alexandre Janon, Maëlle Nodet+1 more|arXiv (Cornell University)|Feb 23, 2011

Probabilistic and Robust Engineering Design参考文献 20被引用数 5

ひとこと要約

本稿では、低次元基底メタモデルを用いたSobol感度インデックスの信頼区間を計算する耐障害性の高い手法を提案する。ブートストラップ再標本化と証明された誤差境界を組み合わせることで、モンテカルロ標本抽出誤差とメタモデル近似誤差の両方を定量的に評価する。この手法により、6倍の高速化が実証されたが、感度分析におけるきめ細やかな不確実性評価を維持している。

ABSTRACT

Global sensitivity analysis is often impracticable for complex and time demanding numerical models, as it requires a large number of runs. The reduced-basis approach provides a way to replace the original model by a much faster to run code. In this paper, we are interested in the information loss induced by the approximation on the estimation of sensitivity indices. We present a method to provide a robust error assessment, hence enabling significant time savings without sacrifice on precision and rigourousness. We illustrate our method with an experiment where computation time is divided by a factor of nearly 6. We also give directions on tuning some of the parameters used in our estimation algorithms.

研究の動機と目的

• 時間的に高価な数値モデルにおけるグローバル感度分析の計算不能性に対処すること。
• モンテカルロ標本抽出誤差とメタモデル近似誤差の両方がSobolインデックス推定値に与える影響を定量的に評価すること。
• 感度分析における低次元基底メタモデルに対する公式で、a posterioriの誤差境界を提供すること。
• 精度や厳密性を損なわせることなく、顕著な計算コストの削減を可能にすること。
• 望ましい精度を達成するための最適な標本サイズとメタモデルの忠実度の選定を支援すること。

提案手法

• 本手法は、元のモデルを近似する低次元基底メタモデルを用い、評価時間を顕著に短縮するとともに、近似に対する公式な誤差境界を提供する。
• 標本抽出誤差を推定するためにブートストラップ再標本化技術を適用し、感度インデックス推定子の再複製を生成することで、その分布を近似する。
• 本手法は、ブートストラップと低次元基底法からの事前誤差境界を組み合わせることで、標本抽出誤差とメタモデル誤差の両方を同時に考慮する。
• 摂動を加えた誤差項と再標本化データを用いて、インデックスの下限と上限を計算することで、Sobolインデックスの信頼区間を構築する。
• 二重ブートストラップ手順によりバイアス補正された分位点を計算し、インデックス推定子の標本分布における潜在的な歪度を補正する。
• 最終的に、両方の誤差源を考慮した、指定された信頼水準における真の感度インデックスの組み合わせ信頼区間を出力する。

実験結果

リサーチクエスチョン

• RQ1 モンテカルロ標本抽出誤差とメタモデル近似誤差の組み合わせ効果を、感度分析においてきめ細やかに定量的に評価することは可能か？
• RQ2 低次元基底メタモデルを用いることで、Sobolインデックスの計算を高速化しつつ、統計的信頼性を維持できるか？
• RQ3 メタモデル誤差が感度インデックスの信頼区間に与える影響は何か？ そして、その影響をどのように境界化できるか？
• RQ4 標本抽出誤差とメタモデル誤差の両方が存在する状況で、Sobolインデックスの信頼区間をどのように構築できるか？
• RQ5 パラメータの選択（例：標本サイズ、メタモデル許容誤差）は、計算コストと正確性のトレードオフを最適化するためにどのように行うべきか？

主な発見

• 本手法は、フルモデルにおける直接的なモンテカルロ推定と比較して、計算時間を6倍短縮しながら、精度に損なわれない。
• 提案された信頼区間は、メタモデルが顕著な近似誤差を導入しても、真の感度インデックスを信頼的にカバーする。
• 低次元基底法から得られる公式の誤差境界を用いることで、メタモデル誤差が最終的な区間内できめ細やかに境界付けられ、考慮される。
• 二重ブートストラップ手順は、感度インデックス推定子の標本分布におけるバイアスを効果的に補正し、区間カバレッジを改善する。
• 本手法は、望ましい正確性を最小限の計算コストで達成するために、メタモデル許容誤差とモンテカルロ標本サイズのチューニングに関する実用的ガイドラインを提供する。
• 本手法は、複雑なPDEベースのモデルを用いた実験を通じて、耐障害性とスケーラビリティが確認され、時間的に高価なシミュレーションの広範な分野に応用可能である。