[论文解读] Generalized Hoeffding-Sobol Decomposition for Dependent Variables -Application to Sensitivity Analysis

Fabrice Gamboa, Gamboa, Fabrice+1 more|arXiv (Cornell University)|Dec 8, 2011

Probabilistic and Robust Engineering Design参考文献 41被引用 129

一句话总结

该论文为具有依赖输入变量的回归模型提出了一种广义的Hoeffding-Sobol分解，在联合输入分布有界性假设下，实现了唯一且正交的函数分解。该方法导出新的基于方差的敏感性指标，能够分离结构效应与相关效应，为在经典Sobol指数失效的依赖设定下提供了一致的敏感性分析框架。

ABSTRACT

HAL is a multi-disciplinary open access archive for the deposit and dissemination of sci-entific research documents, whether they are pub-lished or not. The documents may come from teaching and research institutions in France or abroad, or from public or private research centers. L’archive ouverte pluridisciplinaire HAL, est destinée au dépôt et a ̀ la diffusion de documents scientifiques de niveau recherche, publiés ou non, émanant des établissements d’enseignement et de recherche français ou étrangers, des laboratoires publics ou privés.

研究动机与目标

• 在输入变量存在依赖关系时，为回归模型发展一种一致且正交的函数分解方法，扩展经典Hoeffding-Sobol分解的适用范围。
• 定义新的敏感性指标，量化在输入依赖条件下，输入对输出方差的结构效应与相关效应的贡献。
• 通过在输入联合分布上施加有界性条件，确保分解的唯一性与数学严谨性。
• 提出一种计算上可行的估计程序，利用条件期望估计与Sherman-Morrison公式，实现新指标的计算。
• 克服现有方法在输入相关时产生模糊或顺序依赖结果的局限性。

提出的方法

• 通过在联合密度函数有界性假设下，将正交函数分解方法推广至依赖输入，推导出广义的Hoeffding分解。
• 定义分层正交函数分解（HOFD），其中每个分量均与低阶分量正交，从而保证唯一性。
• 将广义敏感性指标构造为分解分量方差的归一化形式，以捕捉输入的独立效应与相关效应。
• 利用条件期望投影计算分解项：$ P_{H_i^0}( heta) = \mathbb{E}(\theta|X_i) - \mathbb{E}(\theta) $，并通过递归相减计算高阶项。
• 采用局部多项式估计结合留一法技术进行条件期望估计，利用Sherman-Morrison公式降低计算成本。
• 应用Gauss–Seidel迭代算法求解分解分量的方程组，每一步均使用估计的条件期望。

实验结果

研究问题

• RQ1 能否在联合输入密度有界性假设下，为具有依赖输入的回归模型建立类似于经典Hoeffding-Sobol分解的唯一正交函数分解？
• RQ2 在输入存在依赖关系时，如何重新定义敏感性指标，以清晰区分输入的结构效应与相关效应？
• RQ3 在何种理论与计算条件下，此类广义分解仍保持有效且可估计？
• RQ4 与经典Sobol指数相比，新指标在可解释性与基准模型上的性能表现如何？
• RQ5 所提出的方法是否能通过条件期望估计与矩阵更新公式实现高效计算？

主要发现

• 在联合输入密度有界性假设下，建立了唯一的广义Hoeffding-Sobol分解，确保了依赖输入下的数学一致性。
• 该分解导出的新敏感性指标明确分离了输入的结构效应与相关效应对方差的贡献。
• 该方法提供了一致的分析框架，其敏感性指标与输入排序无关，优于基于正交化（如Gram-Schmidt）的先前方法。
• 在二维IPDV模型、四维线性模型及Ishigami函数上的数值示例表明，该方法能正确识别在依赖关系下的输入贡献。
• 采用局部多项式估计结合留一法与Sherman-Morrison公式，显著降低了迭代算法中条件期望的计算成本，实现高效计算。
• 理论与数值结果共同证实，新指标具有良好的定义性与可估计性，为依赖输入场景下提供了对经典Sobol指数的稳健替代方案。