- 针对所有未测混淆因素的简明却尖锐的任意对比的敏感性分析
我们扩展了我们在未测量混杂因素下风险比率和差异对比的敏感性分析的先前工作，证明产生的边界仍然是任意锋利的，即实际可达到的。我们使用实际数据说明了边界的可用性。
- 贝叶斯网络中不确定参数的全局敏感性分析
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。
- 零通胀作为缺失数据问题：基于代理方法的解决方案
将零膨胀数据视为一种普遍类型的缺失数据问题，通过观察到的缺失指示器来实现特定参数的识别和估计，未知关系时采用部分识别策略进行敏感性分析。
- 关于为主动大型语言模型提供反应提示的脆弱基础
通过对输入提示的系统变化进行敏感性分析，我们发现 LLMs 的性能受到例示 - 查询相似度的影响，并且推理能力源于近似检索，而非内在推理能力。
- 主动采样的敏感性分析及其在模拟电路仿真中的应用
通过结合敏感性分析和贝叶斯代理模型，我们提出了一种灵活的主动采样流，在模拟混合变化对模拟电路的影响的应用场景中。在合成和真实数据集上，该流程优于通常用于设计空间探索的蒙特卡罗采样方法。
- ICMLCOPAL：大型语言生成模型的持续剪枝
本文提出了 COPAL 算法（COntinual Pruning in Adaptive Language settings）用于在持续的模型适应环境中对大型语言生成模型进行修剪，通过敏感性分析引导修剪过程，从而提高模型适应新领域的能力并增 - ANOVA-boosting for 随机傅里叶特征
提出了两种算法，用于提升随机傅里叶特征模型以近似高维函数，这些方法利用经典的方差分析和广义方差分析（ANOVA）分解学习低阶函数，其中变量之间的相互作用较少。算法能够可靠地找到重要的输入变量和变量交互的索引集，还将已有的随机傅里叶特征模型推 - 个性化被动心脏力学优化框架
个性化心脏力学建模是理解心脏在健康和疾病中的生物力学以及辅助治疗规划的强大工具。本研究引入了反向有限元分析（iFEA）框架，利用时变的医学图像数据估计心脏组织的被动力学特性。
- 关于 ChatGPT 在情感计算中的提示敏感性
通过敏感度分析和评估不同提示或生成参数对 foundation models 的性能敏感程度，探索 affective computing 领域中的 prompting 技术，以及对情感分析、毒性检测和讽刺检测等任务的性能影响。
- 量化逆强化学习对错误规范的敏感性
逆向强化学习（IRL）的关键问题是行为模型的错配性对结果的影响，本研究对此进行敏感性分析，并分析参数值和模型参数错配对结果的影响。
- 基于扰动的敏感性分析方法对时序深度学习模型的验证、稳健性和准确性
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。
- 黑客攻击预测器即黑客攻击车辆：使用敏感性分析识别自动驾驶安全中的轨迹预测漏洞
通过对两个轨迹预测模型 ——Trajectron++ 和 AgentFormer 的敏感性分析，本文发现 Trajectron++ 对最近状态历史时间点的扰动敏感性最高，而 AgentFormer 的扰动敏感性则分布在不同时间点的状态历史中 - 机器学习与敏感性分析之间的桥梁
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 - 基于机器学习的 E3SM 陆地模型参数对湿地甲烷排放的敏感性分析
利用敏感性分析方法对 Energy Exascale Earth System Model (E3SM) 的甲烷模型的 19 个关键生物地球化学过程参数进行研究，并通过机器学习算法模拟复杂的生物地球化学行为以减少计算成本，发现甲烷生产和扩散 - 探究基于权重扰动的深层神经网络应用于虹膜攻击检测
对深度神经网络 (DNNs) 进行参数扰动敏感性分析，使用权重和偏差参数对 VGG、ResNet 和 DenseNet 三种 DNN 架构进行实验，以改进虹膜攻击检测的性能，参数级集成平均提高 43.58% 和 9.25%。
- 基于元数据的理解图神经网络方法
通过对多元稀疏回归分析来从元数据中派生得到一系列显著的数据属性，本文提出了一种基于元数据的方法，分析了图神经网络对图数据属性的敏感性，并通过理论分析和控制实验验证了平衡度分布与 GNN 性能之间的关系，从而验证了该基于元数据的方法在识别 G - 敏感度感知的摊还贝叶斯推断
我们提出了一种综合多角度的方法，将敏感性分析集成到摊销的贝叶斯推理中，并在应用建模问题中展示了其有效性。
- 抵消干扰稳健推理的凸框架
我们研究了关于未观测到的混淆因素的离线情境赌博的政策评估。我们提出了一个通用的估计器，使用凸规划方法提供政策价值的一个锐利下界，具有各种扩展应用和强有力的理论保证。
- 免疫概率研究
研究概率免疫的可能性，包括非免疫、ε- 有界免疫等必要和充分条件，通过随机对照试验估计效益的概率并提出更紧密的效益概率边界，引入间接免疫的概念并进行分析，最后提出一种对未测混杂进行概率免疫敏感性分析的方法。
- 深度学习测试中的风险：普遍性、影响和建议
这篇论文调查了机器学习测试中常见的实证评估隐患，通过敏感性分析展示了这些隐患对实验结果的重要性，并提出了一套良好的实证实践以减轻这些隐患的影响。这项研究对软件工程社区的共同问题和良好实践进行了初步调查，并在深度学习测试领域为实证研究设定了特