[论文解读] A General Framework for Enhancing Sparsity of Generalized Polynomial Chaos Expansions

Xiu Yang, Xiaoliang Wan+2 more|arXiv (Cornell University)|Jul 10, 2017

Probabilistic and Robust Engineering Design被引用 4

一句话总结

该论文提出了一种通用框架，通过使用交替方向法对随机变量进行迭代旋转变换，以增强广义多项式混沌（gPC）展开中的稀疏性。通过识别最小化测量矩阵互相关性的最优旋转矩阵，该方法提高了压缩感知的精度与效率，尤其适用于非高斯分布和高维问题（高达 O(100) 维），在勒让德和切比雪夫展开中已验证有效，并作为先前基于埃米特多项式方法的推广。

ABSTRACT

Compressive sensing has become a powerful addition to uncertainty quantification when only limited data is available. In this paper we provide a general framework to enhance the sparsity of the representation of uncertainty in the form of generalized polynomial chaos expansion. We use alternating direction method to identify new sets of random variables through iterative rotations such that the new representation of the uncertainty is sparser. Consequently, we increases both the efficiency and accuracy of the compressive sensing-based uncertainty quantification method. We demonstrate that the previously developed iterative method to enhance the sparsity of Hermite polynomial expansion is a special case of this general framework. Moreover, we use Legendre and Chebyshev polynomials expansions to demonstrate the effectiveness of this method with applications in solving stochastic partial differential equations and high-dimensional (O(100)) problems.

研究动机与目标

• 为解决在不确定性量化（UQ）中仅有限样本可用时构建稀疏 gPC 展开的挑战。
• 将基于旋转的稀疏性增强方法从埃米特多项式扩展至任意概率分布的一般 gPC 展开。
• 通过最优变量旋转最小化测量矩阵的互相关性，提升基于压缩感知的 UQ 的精度与效率。
• 提供一个统一框架，推广先前基于旋转的方法，包括针对埃米特多项式的迭代旋转方法。
• 通过更少的模拟或实验，实现对具有高维或非高斯输入的复杂系统进行有效的 UQ。

提出的方法

• 采用交替方向法，迭代识别将原始随机变量变换为具有更稀疏 gPC 表示的新变量集的旋转矩阵。
• 通过参数空间中梯度的奇异值分解（SVD）最大化关键输出量（QoI）的方差，确定旋转方式。
• 该方法通过优化旋转矩阵以最小化测量矩阵的互相关性，从而提升压缩感知性能。
• 该框架适用于任意 gPC 基（如勒让德、切比雪夫、埃米特），且对输入变量不作高斯分布假设。
• 该方法可与标准压缩感知求解器（如 ℓ₁ 最小化、OMP 和 ℓ₁-2 最小化）集成。
• 未来工作将扩展至可能非正交的变换，以实现更高的稀疏性与精度。

实验结果

研究问题

• RQ1 能否开发一种通用框架，将基于旋转的 gPC 展开稀疏性增强方法推广至埃米特多项式之外，尤其适用于非高斯分布？
• RQ2 随机变量的迭代旋转在基于压缩感知的 UQ 中，如何影响测量矩阵的互相关性？
• RQ3 在高维问题中，该方法在多大程度上减少了实现准确 gPC 重构所需的样本数量？
• RQ4 针对埃米特多项式的迭代旋转方法是否为此通用框架的特例？其性能如何比较？
• RQ5 当应用于非对称或退化分布（如拉盖尔多项式）时，该方法存在哪些局限性？

主要发现

• 所提出的框架推广了先前基于旋转的方法，其中迭代埃米特多项式方法 [56] 是其特例。
• 在勒让德和切比雪夫展开中，该方法显著提升了稀疏性并降低了互相关性，表现为互相关性 μ 从 0.15 分别提升至 0.45 和 0.50。
• 在高维问题中（d=12, N=455, M=180），该方法在样本更少的情况下仍能保持或提升精度，优于标准压缩感知方法。
• 旋转后，勒让德分布的互相关性 μ 从 0.15 提升至 0.45，切比雪夫分布从 0.15 提升至 0.50，表明 ℓ₁ 最小化更具条件稳定性。
• 对于非对称分布（如拉盖尔多项式），该方法效果较差，数值测试显示部分情况下因测量矩阵退化而失败。
• 该框架实现了计算成本更低的精确代理建模，尤其适用于昂贵的模拟或实验。