[논문 리뷰] A new kernel-based index for the global sensitivity analysis of models with correlated inputs

Troy Arron Larsen, Alen Alexanderian|arXiv (Cornell University)|2026. 03. 01.

Probabilistic and Robust Engineering Design인용 수 0

한 줄 요약

이 논문은 상관된 입력값과 가능하면 함수-valued 입력/출력에 대해 글로벌 민감도 분석을 위한 경계가 있는 모멘트 독립적이고, 주변화에 대해 단조로운 커널 기반 측정인 전체 HSIC 민감도 지수를 도입합니다.

ABSTRACT

We present an HSIC-based approach for global sensitivity analysis of broad classes of models with correlated and possibly function-valued inputs and outputs. To this end, we define the total HSIC sensitivity index: a bounded, interpretable, and moment-independent analogue to the total-effect Sobol' index. These desirable qualities hinge upon the key property of monotonicity under marginalization for the HSIC. We rigorously establish this monotonicity property by using a suitable class of augmented kernels. Furthermore, we provide an efficient algorithm for computing an empirical estimator of the HSIC that significantly reduces computational complexity and storage requirements. The effectiveness and interpretability of the total HSIC sensitivity indices are demonstrated through computational experiments on models that feature nonlinear relationships, correlated inputs, and functional outputs.

연구 동기 및 목표

• 상관된 입력값 및 가능하면 함수-valued 입력/출력 값을 가진 모델에 대한 글로벌 민감도 분석(GSA)을 동기 부여합니다.
• 입력 간 의존성을 다루는 HSIC를 사용하는 커널 기반 프레임워크를 도입합니다.
• 전체 HSIC를 Sobol의 총 효과처럼 해석할 수 있도록 커널을 보강하여 주변화에 대한 단조성을 보장합니다.
• 제한되고 해석 가능한 모멘트 독립적 전체 HSIC 민감도 지수를 정의하고 이론적 특성을 확립합니다.
• 비선형, 상관된 모델 및 함수 출력 모델에서 HSIC를 경험적으로 추정하는 효율적 알고리즘을 개발하고 효과를 입증합니다.

제안 방법

• 재생 가능 힐베르트 공간(RKHS) 프레임워크를 채택하고 의존성을 HSIC를 통해 측정하기 위해 특성 커널(characteristic kernels)을 사용합니다.
• RKHS에 상수 함수를 포함시키도록 보강된 커널을 구성하여 주변화에 따른 단조성을 가능하게 합니다(정리 3.9).
• 전체 HSIC 민감도 지수 T_A(f) = 1 - HSIC(X_{ ilde A}, Y) / HSIC(X, Y) 를 정의하여 X_A에 기인한 의존성의 비율을 정량화합니다.
• 센터드 그램 행렬과 대역폭에 대해 중앙값 휴리스트를 사용하는 가우시안 커널을 이용한 HSIC의 경험적 추정치를 제공합니다.
• 보강된 커널 구성을 통해 T_A(f)가 0과 1 사이에 경계됨을 보입니다(보조정리 4.1).
• 비선형, 상관된 모델 및 함수 출력 모델에서의 계산 실험으로 HSIC를 효율적으로 계산하는 전략을 개략하고 접근법을 입증합니다.

실험 결과

연구 질문

• RQ1 HSIC 기반 측정을 상관된 입력을 가진 모델에 대한 전체 민감도 지수로 확장할 수 있는가?
• RQ2 보강된 커널이 주변화에 대한 단조성을 보장하여 HSIC 기반 지수를 Sobol의 총 효과처럼 해석 가능하게 만들 수 있는가?
• RQ3 전체 HSIC 민감도 지수는 스칼라, 벡터, 함수-valued 입력/출력에 대해 경계되고 해석이 가능한가?
• RQ4 고차원 입력과 상관 구조를 다루기 위해 데이터를 통해 HSIC를 효율적으로 추정할 수 있는가?

주요 결과

• 전체 HSIC 민감도 지수의 도입: 총 효과 Sobol’ 지수의 경계적이고 해석 가능하며 모멘트 독립적인 유사체.
• 보강된 커널을 통해 주변화에 대한 단조성이 확보되어 부분집합 기반 민감도 순위를 의미 있게 만들 수 있음(정책성).
• 센터드 그램 행렬과 가우시안 커널을 사용하는 HSIC의 효율적 추정기로 계산 복잡도 및 저장 요구를 감소.
• 실험을 통해 전체 HSIC가 비선형 관계, 입력 상관, 함수 출력 등을 포착함을 입증.
• 보강된 커널 구성은 특성성 특성을 보존하고 단조성을 가능하게 한다는 이론적 보장(정리 3.9, 보론 3.7).
• 제프워크가 커널 기반 GSA를 Sobol 스타일 해석 가능성 아래 상호 결합하는 프레임워크를 제공함.