全球敏感性分析方法评述及基于数字分类的比较案例研究
本文介绍了一种基于 Latent Variable Gaussian Process 的混合变量全局敏感性分析方法,通过数值案例研究验证和证明了该方法的有效性,并将其与多目标贝叶斯优化集成,应用于金属有机骨架材料的敏感性感知设计框架,极大地加快了对新型金属有机骨架候选材料的探索。
Oct, 2023
本文采用 Morris LHS、Morris 和 Sobol 三种灵敏度分析方法,系统分析协方差矩阵适应进化策略、差分进化、非支配排序遗传算法 III 和基于分解的多目标进化算法的可调超参数对性能指标的直接和相互作用影响,探究了超参数对采样方法和性能指标的行为,提出了它们之间的作用方式和排序建议。该研究结果可用于调整算法的超参数,以达到更为稳定的性能。
Jul, 2022
评估时间序列深度学习的可解释性方法,研究后处理解释方法对现代 Transformer 模型的性能进行基准测试以及不同敏感性分析方法和深度学习模型对输出的影响。
Jan, 2024
本文旨在通过研究依赖性测量和基于 Bootstrap 抽样技术进行屏幕化以及提出基于线性模型的方法来识别重要参数,从而解决传统敏感性分析方法在参数过多时计算成本高的问题。数值实验表明这些方法具有较高的有效性和可行性。
Dec, 2014
我们认为机器学习(ML)模型的解释或模型构建过程可以被视为敏感性分析(SA)的一种形式,SA 是一种用于解释复杂系统的通用方法,可用于环境模拟、工程或经济等多个领域。我们旨在通过正式描述(a)ML 过程适合进行 SA 的系统性,(b)现有的 ML 解释方法与这一视角的相关性,以及(c)如何将其他 SA 技术应用于 ML 来弥合这两个领域之间的差距。
Dec, 2023
该论文探讨了将主动学习策略应用于自适应学习 Sobol 指数的全局敏感性分析,提出了一种基于主要效应解决高斯过程的学习策略,并比较了基于总方差的现有策略。实验证明,该策略在小维问题上收敛速度最快,但在大维问题上,性能与随机抽样相当。论文还以大规模边界层风洞实验的自适应实验设计为实例进行了演示。
Aug, 2023
本研究提出了一种使用多项式混沌展开法和 Rosenblatt 以及 Cholesky 变换来反映参数相关性的方法,讨论了相关性变量的处理方法在方差和基于导数的敏感度分析中的应用,并通过 VECMAT 工具包中的工作流自动化工具进行了许多实验以验证其有效性。
May, 2023
传统上,贝叶斯网络的敏感性分析研究了以逐个修改其条件概率表的方式对其影响,我们提出进行全局基于方差的敏感性分析,使用低秩张量分解来降低维度,并通过 Sobol 法得出全局敏感性指标,从而展示不确定参数及其交互作用的真实影响。
Jun, 2024
本文提出了一种理论框架,使用度量技术研究机器学习模型的灵敏度,从度量解释中提取出一种新的定量度量方法,称为 α 曲线,它提供了比文献中现有解释型人工智能方法更深入的有关机器学习模型输入变量重要性的信息。
May, 2023
研究通过开发数据抽象协议,将小样本和不完整数据的分类能力提高至最优,通过比较使用随机森林作为基准的可解释方法,发现 Small and Incomplete Dataset Analyser 在数据不完整的情况下能够始终保持高准确性。
Jan, 2024