[论文解读] Target and Conditional Sensitivity Analysis with Emphasis on Dependence Measures

Hugo Raguet, Amandine Marrel|arXiv (Cornell University)|Jan 29, 2018

Probabilistic and Robust Engineering Design参考文献 56被引用 11

一句话总结

本文引入目标敏感性分析与条件敏感性分析，聚焦于关键感兴趣区域的敏感性评估，采用非参数依赖度量实现稳健、模型无关的评估。提出一种新颖的、无需独立性假设的方法来计算Sobol'指数中的相关比率，通过合成实验验证，该方法在检测关键输入-输出关系方面表现出更优的相关性。

ABSTRACT

In the context of sensitivity analysis of complex phenomena in presence of uncertainty, we motivate and precise the idea of orienting the analysis towards a critical domain of the studied phenomenon. We make a brief history of related approaches in the literature, and propose a more general and systematic approach. Nonparametric measures of dependence being well-suited to this approach, we also make a review of available methods and of their use for sensitivity analysis, and clarify some of their properties. As a byproduct, we notably describe a new way of computing correlation ratios for Sobol' indices, which does not require specific experience plans nor rely on independence of the input factors. Finally, we show on synthetic numerical experiments both the interest of target and conditional sensitivity analysis, and the relevance of the dependence measures.

研究动机与目标

• 为解决标准敏感性分析的局限性，将注意力集中于输出空间的特定关键区域。
• 构建一个系统化的敏感性分析框架，整合目标与条件期望。
• 评估并澄清非参数依赖度量在敏感性分析中的应用，尤其针对复杂、高维模型。
• 提出一种无需特定实验设计或输入独立性假设的新方法，用于计算Sobol'指数中的相关比率。
• 通过数值实验展示所提方法的实际相关性与性能。

提出的方法

• 通过目标函数或阈值定义感兴趣区域，将输出条件化于该区域，从而构建目标敏感性分析。
• 基于输入与输出条件期望之间的依赖度量，引入条件敏感性指数。
• 采用距离相关性、等级相关性等非参数依赖度量，避免参数假设。
• 提出一种新算法，利用经验分布函数计算Sobol'指数中的相关比率，无需正交设计或输入独立性假设。
• 利用核密度估计与经验Copula估计条件期望与依赖结构。
• 通过具有已知依赖结构及不同输入分布的合成测试案例验证该方法。

实验结果

研究问题

• RQ1 如何将敏感性分析聚焦于输出空间的特定关键区域，以提升可解释性与相关性？
• RQ2 在高维、复杂模型中，哪些非参数依赖度量最适合用于条件与目标敏感性分析？
• RQ3 能否在不假设输入独立性或特定实验设计的前提下计算Sobol'指数的相关比率？
• RQ4 所提出的靶向与条件敏感性指数相较于经典方法，在检测关键输入贡献方面表现如何？
• RQ5 在各种依赖结构与分布假设下，该方法在识别关键输入方面的实际性能如何？

主要发现

• 所提Sobol'指数相关比率计算方法对输入依赖具有鲁棒性，且无需正交设计或特定实验设计。
• 非参数依赖度量（如距离相关性与等级相关性）在多种输入分布下均提供稳定且可解释的敏感性指标。
• 目标与条件敏感性分析能有效突出感兴趣区域内的输入贡献，相比全局分析显著提升关键因子的检测能力。
• 该方法在具有已知依赖结构的合成测试案例中表现一致，即使在强输入相关性下亦表现稳健。
• 利用经验Copula与核密度估计可在无参数假设下准确估计条件期望。
• 数值实验表明，该方法通过聚焦于相关输出区域，显著增强了敏感性分析的实用性，提升了风险评估与决策制定中的实际相关性。