[论文解读] 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 5

一句话总结

本文提出了一种稳健的方法，利用降维基底代理模型计算Sobol敏感性指标的置信区间，结合自助抽样与认证误差界，以量化蒙特卡罗采样误差和代理模型近似误差。该方法在保持敏感性分析中严格不确定性量化的前提下，实现了显著的计算加速——实测达到6倍提速。

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.

研究动机与目标

• 解决时间密集型数值模型全局敏感性分析的计算不可行性问题。
• 量化蒙特卡罗采样误差与代理模型近似误差对Sobol指标估计的综合影响。
• 为降维基底代理模型在敏感性分析中提供认证的后验误差界。
• 在不牺牲精度或严谨性的情况下，实现显著的计算节省。
• 为实现所需精度，指导最优采样规模与代理模型保真度的选择。

提出的方法

• 该方法使用降维基底代理模型近似原始模型，显著降低评估时间，同时提供对近似误差的认证误差界。
• 采用自助抽样技术估计采样误差，通过生成敏感性指标估计器的重复样本，近似其分布。
• 该方法将自助抽样与降维基底方法的先验误差界相结合，同时考虑采样误差与代理模型误差。
• 通过使用扰动误差项和重采样数据，计算敏感性指标的上下界，构建Sobol指标的置信区间。
• 通过双重自助程序计算偏差校正分位数，以校正敏感性指标估计器采样分布中可能存在的偏斜。
• 输出在指定置信水平下对真实敏感性指标的联合置信区间，同时考虑两种误差源。

实验结果

研究问题

• RQ1 如何在敏感性分析中严格量化蒙特卡罗采样误差与代理模型近似误差的综合影响？
• RQ2 是否可以使用降维基底代理模型加速Sobol指标计算，同时保持统计可靠性？
• RQ3 代理模型误差对敏感性指标置信区间的影响是什么？如何对其进行边界约束？
• RQ4 当同时存在采样误差与代理模型误差时，如何构建Sobol指标的置信区间？
• RQ5 哪些参数选择（如样本大小、代理模型容差）能优化计算成本与精度之间的权衡？

主要发现

• 与直接对完整模型进行蒙特卡罗估计相比，该方法将计算时间减少了6倍，且未损失精度。
• 即使代理模型引入了显著的近似误差，所提出的置信区间仍能可靠地覆盖真实敏感性指标。
• 使用降维基底方法提供的认证误差界，确保代理模型误差在最终区间中得到严格界定与处理。
• 双重自助程序有效校正了敏感性指标估计器采样分布中的偏差，提升了区间覆盖性能。
• 该方法为调优代理模型容差与蒙特卡罗样本大小提供了实用指导，可在最小计算成本下实现期望精度。
• 该方法具有鲁棒性与可扩展性，已在复杂PDE模型上得到验证，适用于广泛的计算密集型模拟。