仿真方法和自适应采样提高计算昂贵模型的敏感性分析效率
摘要：高维参数空间模型在许多应用中很常见。全局敏感性分析可以揭示不确定输入和相互作用是如何影响输出结果的。许多敏感性分析方法在处理计算量大的模型时面临一些困难。解决这些困难的常见方法是使用计算效率高的模拟器和自适应采样。然而，这些方法仍然可能涉及较大的计算成本和近似误差。本文比较了四种现有的全局敏感性分析方法在一个测试问题上的结果和计算成本。我们对不同的模型评估时间和模型参数数量进行了采样。我们发现，对于计算量大的模型来说，模拟器和自适应采样方法比Sobol方法更快。对于大多数计算量大且高维的模型来说，贝叶斯自适应样条曲面方法是最快的。我们的结果可以在计算资源有限的情况下指导选择敏感性分析方法。
作者：Haochen Ye, Robert E. Nicholas, Vivek Srikrishnan, Klaus Keller
论文ID：2302.12738
分类：Applications
分类简称：stat.AP
提交时间：2023-02-27