Skip to content
検索結果に戻る

グローバル感度分析 — Sobol, Morris, および FAST

提唱者
I.M. Sobol (indices, 2001); Morris (screening, 1991); Cukier et al. (FAST, 1973)
年
1973–2001
種類
Variance-based sensitivity decomposition

この文章は機械翻訳で、まだ確認されていません。 英語の原文を読む

文字サイズ

何をする手法か?

グローバル感度分析(GSA)は、モデル出力の分散を入力パラメータに分解し、各入力(および入力の各組み合わせ)が結果の総不確実性にどれだけ寄与するかを定量化する技術群である。Sobolの分散ベース指数(2001)、Morrisの一時点(OAT)スクリーニング(1991)、およびFourier Amplitude Sensitivity Test(FAST、1973年にCukierらによって最初に提案)は、最も広く使用されている3つのアプローチである。これらは一体となって、どのパラメータがモデルの挙動を駆動し、どれを安全に固定できるかを特定するための標準ツールキットとして機能する。

手法の背後にある直感

10個の入力ノブを持つモデルを想像してほしい。どのノブが重要で、どれが出力にほとんど影響しないかを知りたいとする。局所感度チェックは、特定の設定付近で何が起こるかしか教えてくれないが、グローバル感度分析は一度にすべての可能な設定空間を探索する。Sobolのアプローチは最も徹底的であり、総出力分散の一部を各入力とすべての入力の組み合わせに割り当てる。Morrisは、分散を完全に分解することなく、パラメータを全体的な影響力でランク付けする、より安価なスクリーニング方法である。FASTは、Sobolよりも少ないモデル実行回数で分散分解を達成するために、フーリエ変換のトリックを使用する。これら3つの方法すべてが、異なるコストと精度レベルで、同じ根本的な質問に答える――どの入力が重要なのか。

歴史学

モデル出力分散の個々の入力からの寄与への分解は、ANOVAの伝統に根ざしているが、計算モデルへの体系的な適用は、1970年代にCukier、Levine、Shulerによって導入されたFourier Amplitude Sensitivity Testから始まった。Max Morrisは、1991年の広く引用されている論文で、一時点の初等効果スクリーニングアプローチを形式化した。最も影響力のある現代的な定式化はIlya M. Sobolによるもので、彼の2001年の論文は、現在標準となっている分散ベースの一次および総効果指数のモンテカルロ推定量を確立した。Saltelliらの教科書(2008)は、この分野を統合し、SaltelliサンプリングスキームをSobol指数の参照実装として確立した。今日、グローバル感度分析は、工学、環境科学、疫学、経済学におけるモデル検証の日常的な構成要素となっている。

使うべき場面

グローバル感度分析は、計算モデルの不確実性をどの入力が駆動しているかを理解する必要がある場合、または影響力のないパラメータを特定して固定することによりモデルを単純化したい場合に適切である。これは、入力が分布または可能な範囲で記述できる任意の決定論的または確率論的モデルに適用される。Sobol指数は、モデル実行回数が許容できる場合(通常はパラメータあたり数百から数千回)に最も情報量の多い選択肢である。Morrisスクリーニングは、モデルが高価で、ランク付けすべき候補パラメータが多い場合に、初期探索のために好まれる。FASTは、Sobolのサンプルコストが法外であるが、完全な分散分解が望ましい場合に、良い中間的な選択肢となる。この方法は、正規分布した入力を必要とせず、連続入力タイプが期待される。入力に確率分布または可能な範囲を割り当てることができない場合、またはモデルが純粋にデータ駆動型で前方シミュレーション構造を持たない場合には適さない。

限界と注意点

  • Sobol指数はN×(2k+2)回のモデル実行を必要とし、これはパラメータが多い高価なシミュレータにとっては法外になる可能性がある。
  • Morrisスクリーニングはパラメータの重要度のランキングを明らかにするが、分散を定量化された割合に分解しない。正確な配分が必要な場合には、Sobol指数を置き換えることはできない。
  • すべての方法は、入力の不確実性が確率分布または有界範囲によって特徴付けられると仮定する。もしこの事前知識が入手不可能または信頼できない場合、結果の指数は真の不確実性ではなく、仮定された不確実性を反映する。
  • 離散的またはカテゴリカルな入力を持つモデルの場合、標準的な分散ベースのフレームワークは直接適用できず、拡張または代替アプローチが必要となる。

出典に示された条件は、独立した科学的レビューや分析エンジンによる検証の代わりにはなりません。

強み

  • 局所的な線形化仮定ではなく、入力空間全体を同時に探索し、非線形な挙動とパラメータの相互作用を捉える。
  • Sobolの総効果指数(ST)は、固定可能な影響力の小さいパラメータを直接特定し、原理に基づいたモデルの単純化を可能にする。
  • Morris法は、完全な分散分解と比較して非常に安価であり、高次元または計算コストの高いモデルにとって実用的である。
  • FASTは、Saltelli-Sobolサンプリングよりも少ない実行回数で完全な分散分解を達成し、効率的な妥協案を提供する。
  • 結果は解釈可能である。感度指数は総分散の正規化された割合であり、単純なランキングとコミュニケーションを可能にする。

応用

  • 気候および地球システムモデルにおいて、どのモデルパラメータが予測に最も影響を与えるかを特定し、重要なパラメータに校正努力を向ける。
  • 複雑な薬物動態および薬力学モデルにおいて、臨床データへの適合前に影響力の小さいパラメータを固定することにより、モデルを単純化する。
  • 原子力、化学、または構造工学システムの信頼性および安全評価における不確実性削減の優先順位付け。
  • 計算生物学およびシステムモデリングにおける実験設計を導く。モデル出力の変動を最も駆動する入力因子を明らかにする。
  • 経済的または疫学的モデルの結論に最も影響を与える不確実な入力仮定を定量化することにより、政策分析を支援する。

使い方

使い方

1

分析者は入力パラメータ空間を指定する。各パラメータには、その不確実性に関する事前知識を捉える確率分布(または可能な範囲)が割り当てられる。分析対象のモデルもこの段階で定義される。入力範囲の慎重な選択は、感度指数が探索される空間に対する相対値であるため、極めて重要である。

2

選択された方法に従って、入力の組み合わせの構造化されたセットが生成される。Sobol指数の場合、Saltelliサンプリングスキームはk個のパラメータに対してN×(2k+2)回のモデル評価を生成する。入力空間を効率的にカバーするために、準ランダム(低偏差)シーケンスを使用する。Morris法は、他のパラメータを固定したまま一度に1つのパラメータを変化させる、一時点の軌道設計を使用する。FASTは、各入力に割り当てられた異なる周波数に基づいた周期的なサンプリングスキームを使用する。

3

計算モデルは、サンプリングされたすべての入力ポイントで評価される。モデルが計算コストが高い場合、この段階が分析の最も費用のかかる部分となる可能性がある。計算コストの高いシミュレータの場合、必要な評価回数を実現可能にするために、ガウス過程エミュレータなどの代理モデル(メタモデル)が代わりに使用されることがある。

4

モデル出力は、感度尺度を計算するために分析される。Sobolの場合、総出力分散が分割される。一次指数S1は、パラメータが単独で作用することによる分散の割合を捉え、総効果指数STは、他のパラメータとのすべての相互作用を含むその寄与を捉える。Morrisは、各軌道ポイントで各パラメータの初等効果を計算する。これらの効果の平均と標準偏差は、全体的な影響力と非線形性または相互作用を示す。FASTは、出力変動のフーリエ分析を使用して、各入力周波数への分散の帰属を行う。

5

パラメータは感度指数によってランク付けされる。高いS1は、パラメータが強い直接効果を持つことを示唆する。S1とSTの間の大きな差は、他のパラメータとの顕著な相互作用を示唆する。STがほぼゼロのパラメータは、出力分布に実質的な影響を与えることなく、公称値で固定できる――これが重要な実用的な結果である。結果は通常、ブートストラップ信頼区間を持つ指数の棒グラフまたは散布図として表示される。

よくある落とし穴

  • 狭すぎる入力範囲を指定すると、より広い現実的な範囲にわたって重要となるパラメータの顕在的な感度が人工的に低下する。入力範囲は常にドメイン知識またはデータに基づいて決定すること。
  • 一次指数(S1)のみを報告し、総効果指数(ST)を無視すると、相互作用効果を見落とすことになる。S1が低いがSTが高いパラメータは、他のパラメータと強く相互作用するため、依然として重要である。
  • Sobol指数のためにモデル実行回数が少なすぎると、不安定で信頼性の低い指数推定値が生じる。収束を評価するためには、常にブートストラップ信頼区間を計算する必要がある。
  • 正確な分散配分を必要とする目的に対して、Morrisスクリーニングの結果を最終的な回答として使用すること。Morrisはパラメータをランク付けするが、その分数的な寄与を定量化しない。そのためにはSobolまたはFASTを使用すること。
  • 局所感度分析(単一点での微分)とグローバル感度分析を混同すること。局所分析は、入力空間全体にわたるパラメータの相互作用や非線形性を捉えることができない。

よくある質問

Sobol、Morris、またはFASTを使用すべきか?

選択は、モデル実行回数の予算と目標に依存する。モデルが高価で、スクリーニングすべきパラメータが多い場合は、Morrisから始める。安価にランク付けしてくれる。N×(2k+2)回の実行(kはパラメータ数)が可能であれば、Sobol指数は一次効果と相互作用効果を総分散の割合として定量化し、最も完全な画像を提供する。FASTは、完全な分散分解を望むがSobolのサンプルサイズが大きすぎる場合に良い選択肢であり、より少ない実行回数で同様の情報を達成する。

一次指数(S1)と総効果指数(ST)は具体的に何を意味するのか?

パラメータのS1は、相互作用を無視して、そのパラメータ単独で説明される総出力分散の割合である。STは、そのパラメータと他のパラメータとのすべての相互作用によって説明される割合である。すべてのパラメータでS1 ≈ STの場合、相互作用は無視できる。S1とSTの大きな差は、重要な相互作用効果を示唆する。STがゼロに近いパラメータは、出力の不確実性を実質的に変更することなく固定できる。

モデル実行回数はいくつ必要か?

Sobol指数の標準的なSaltelliスキームは、N×(2k+2)回の実行を必要とする。ここで、Nは基本サンプルサイズ(通常512~2048)、kは入力パラメータ数である。例えば、k=10パラメータ、N=1024の場合、22,528回の実行となる。Morrisは通常、r×(k+1)回の実行を必要とする。ここで、rは軌道数(通常10~50)であり、合計ははるかに小さくなる。FASTの要件は実装によって異なるが、一般的にMorrisとSobolの間にある。

シミュレーションではないモデルにグローバル感度分析を使用できるか?

GSAは、入力のセットを出力にマッピングし、異なる入力値で繰り返し評価できる任意のモデルに適用される。これには、統計モデル、機械学習モデル、および解析方程式が含まれ、物理ベースのシミュレーションだけではない。要件は、入力に可能な分布または範囲を割り当てることができ、モデルをサンプル行列を埋めるのに十分な回数実行できることである。

関連する手法

参考文献

  1. Sobol, I.M. (2001). Global Sensitivity Indices for Nonlinear Mathematical Models and Their Monte Carlo Estimates. Mathematics and Computers in Simulation, 55(1–3), 271–280.

    DOI 文献を開く
    コピーしました。
  2. Saltelli, A. et al. (2008). Global Sensitivity Analysis: The Primer. Wiley.

    DOI 文献を開く
    コピーしました。