Skip to content
検索結果に戻る

ラテンハイパーキューブサンプリング(層化シミュレーション設計)

年
1979
種類
Stratified space-filling sampling design

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?

Latin Hypercube Sampling(LHS)は、1979年にMcKay、Beckman、Conoverによって導入された、コンピュータ実験のための層化された空間充填設計である。これは、各入力変数の範囲を等確率の層に分割し、各層からちょうど1つのサンプルを抽出することにより、標準的なモンテカルロシミュレーションよりもはるかに少ないモデル評価回数で、入力空間全体を網羅することを保証する。これは通常、グローバル感度分析、特にSobol指数と組み合わせて、各入力が出力変動にどれだけ寄与するかを定量化するために用いられる。

手法の背後にある直感

複雑なコンピュータモデルが広範な入力の組み合わせに対してどのように応答するかを理解したいが、各モデル実行が高価であると想像してみよう。標準的なモンテカルロ法はランダムにサンプルを抽出するため、偶然によって入力空間の広範な領域が十分にカバーされないことがある。Latin Hypercube Samplingは、慎重なグリッドのように作用することでこれを回避する。各入力次元を等しく可能性のあるスライスに分割し、各スライスがサンプル内にちょうど1回表現されることを保証する。その結果、ランダムサンプリングよりもパラメータ空間全体に均等に広がる入力点のセットが得られ、実行あたりのモデルの挙動についてより多くのことを学べる。Sobol感度指数と組み合わせると、この手法はどの入力が最も重要であるかも教えてくれる。これは、さらなる分析やキャリブレーションに投資する前の重要なステップである。

歴史学

Latin Hypercube Samplingは、コンピュータモデルの出力を探索する方法として、単純なランダムサンプリングおよび層化ランダムサンプリングと比較された、1979年のTechnometrics誌の論文でMcKay、Beckman、Conoverによって導入された。この名前は、ラテン方格の組み合わせ構造を多次元に拡張したことに由来する。ラテン方格がグリッドの各行と各列に1つのシンボルを配置するように、LHSは多次元層化グリッドの各行と各列に1つのサンプルを配置する。この手法はコンピュータ実験設計(Sacksら(1989)によって形式化された分野)の礎となり、分散ベースのグローバル感度分析との組み合わせは、Saltelliらによって1990年代から2000年代にかけて体系化され、Saltelliら(2008)による広く使用されている教科書的な扱いへと結実した。

使うべき場面

LHSは、計算コストの高いモデルが入力空間全体でどのように応答するかを探索する必要があり、完全実施要因計画またはランダムモンテカルロ設計が高価すぎる場合に適切である。この手法は、入力変数の境界と分布を指定できることを必要とする(近似的な周辺分布でさえ十分である)。特に連続入力の場合、グローバル感度分析に非常に適している。入力間に強い相関がある場合は、サンプリング前にIman-Conover補正を適用する。モデルの評価が非常に安価な場合は、非常に大きなサンプルサイズの標準モンテカルロ法がより単純な代替手段となる。局所的な感度のみが必要な場合は、勾配ベースの手法がより有益である可能性がある。

限界と注意点

  • 入力分布と境界を事前に指定する必要がある。不適切な分布の選択は、真のパラメータ空間を誤って表現する可能性がある。
  • Sobol感度分析ではN・(k+2)のサンプルサイズが必要であり、入力kが多い場合には大きくなる可能性がある。
  • LHSは高次元空間での最適性を保証しない。次元が増加するにつれて、ランダムサンプリングに対する利点は減少する。
  • この手法は純粋に探索的であり、追加分析なしでは出力分布の不確実性をそれ自体では推定しない。

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

  • 計算コストの高いシミュレーションに対して、標準モンテカルロ法と同等の推定精度を実質的に少ないモデル評価回数で達成するため、非常に効率的である。
  • 層化を通じて各入力変数の範囲の完全な網羅を保証し、純粋なランダムサンプリングが抱えるクラスタリングやギャップを排除する。
  • Sobolグローバル感度指数と自然に組み合わされ、入力の重要度の理にかなったランキングを可能にする。
  • 任意のブラックボックスモデルに適用可能であり、導関数情報や解析形式は必要ない。
  • Iman-Conover拡張機能は、空間充填特性を犠牲にすることなく、相関のある入力を処理する。

応用

  • 環境および気候モデルにおける不確実性および感度分析。フル解像度でのモデルの数千回の実行が不可能な場合。
  • 信頼性工学および構造安全性。有限要素モデルを通じて不確実な材料特性および荷重を伝播させ、故障確率を推定する。
  • 製薬および生物医学モデリング。不確実な生理学的パラメータが薬物動態モデルにおける薬物濃度予測にどのように影響するかを探索する。
  • 金融リスク分析。複雑な価格設定モデルの下でポートフォリオのバリューアットリスクを推定するために、不確実な市場パラメータをサンプリングする。
  • エージェントベース社会シミュレーション。不確実な行動パラメータが集計結果にどのように影響するかを体系的に探索する。

使い方

使い方

1

すべての不確実な入力変数には確率分布(一様分布、正規分布、対数正規分布など)が割り当てられ、その妥当な範囲が指定される。このステップは、サンプリング開始前に各パラメータについてアナリストが知っていること(または仮定していること)を明確にする。入力間に相関がある場合、Iman-Conoverランク相関法を適用して、有効なLHS設計を生成しながら依存構造を維持することができる。

2

各入力変数の累積分布は、N個の等確率区間(層)に分割される。各層からランダムに1つの値が抽出され、抽出されたN個の値は入力変数間で独立にランダムに順列化される。結果として、N個のサンプルとk個の入力を持つN×k行列が得られ、各行は異なる入力値の組み合わせであり、各層は各列にちょうど1回現れる。この層化特性が、LHSを単純なランダムサンプリングよりも効率的にするものである。

3

コンピュータモデル(シミュレーション、有限要素ソルバー、エージェントベースモデル、または任意のブラックボックス関数)は、サンプリングされたN個の入力の組み合わせのそれぞれで評価される。出力値は長さNのベクトルYを形成する。推奨される最小サンプルサイズは一般的に1000回の実行である。この閾値を下回ると、LHSのカバー率の利点が通常のモンテカルロ法に対して狭まり、Sobol指数は信頼性が低下する。Sobol分析に特化する場合、必要なサンプルサイズはN・(k+2)で増加する。ここでkは入力の数である。

4

Sobol分散ベース感度指数は、モデル出力から推定される。一次指数S_iは、総出力分散のうち入力iのみに起因する割合を測定する。全次指数S_Tiは、直接効果と相互作用効果の両方を捉える。これらはあわせて、入力を重要度でランク付けし、情報損失なしに固定できる入力を特定し、モデルの単純化とさらなるキャリブレーションの努力を導く。

よくある落とし穴

  • 1000サンプルポイント未満の使用:パラメータ空間が適切にカバーされず、小サンプルから計算されたSobol指数は分散が高く信頼性が低い。
  • 入力相関の無視:相関のある入力を独立として扱うと、サンプルが歪み、誤解を招く感度推定値が得られる。相関が無視できない場合は、常にIman-Conover補正を適用すること。
  • 一次指数と全次指数の混同:一次指数が小さい場合でも、全次指数で捉えられる強い相互作用効果に関与している場合、その入力が重要でないとは限らない。
  • 決定論的で非常に滑らかなモデルにLHSを適用すること:その場合、代理モデルまたは勾配ベースの手法がより低コストで同じ洞察を提供する可能性がある。

よくある質問

LHSは標準的なモンテカルロサンプリングとどのように異なりますか?

どちらの手法もシミュレーションのための入力空間をサンプリングするために使用されますが、サンプルの配置方法が異なります。標準モンテカルロ法は、各サンプル点を独立に一様ランダムに描画するため、入力空間の特定の領域が過剰に表現されたり、他の領域が偶然に疎になったりする可能性があります。LHSは層化規則を強制します。各入力変数の範囲は等確率の区間に分割され、各区間にちょうど1つのサンプルが配置されます。これにより、同じ数のポイントで入力空間のより良い網羅性が保証され、多くの関心のある量に対する推定分散が低くなります。

いくつのサンプルが必要ですか?

LHSによる入力空間の信頼性の高い網羅性には、一般的に1000サンプルポイントの最小閾値が推奨されます。Sobol感度分析の場合、必要なサンプルサイズはN・(k+2)です。ここでkは入力変数の数です。例えば、k=10、N=1024の場合、総モデル評価回数は12,288回です。1000サンプル未満では、LHSの空間充填の利点が狭まり、Sobol指数は非常に不確実になります。

Sobol指数とは何ですか?また、なぜLHSと組み合わせて使用されるのですか?

Sobol指数は分散ベースの感度尺度です。一次指数S_iは、総出力分散のうち入力iのみによって説明される量を定量化します。全次指数S_Tiは、入力iとそのすべての他の入力との相互作用の組み合わせ効果を捉えます。これらは、LHSが入力空間全体にわたって適切に広がるサンプルを生成するため、Sobol指数のSaltelli推定量の出発点となるため、一般的にLHSと組み合わされます。これらの2つの技術はあわせて、モデル出力を駆動する入力と、固定として扱える入力を特定します。これはモデルの単純化とキャリブレーション計画の重要なステップです。

入力が相関している場合はどうすればよいですか?

標準LHSは、入力が独立であるという仮定の下でサンプルを生成します。入力が相関している場合は、Iman-Conoverランク相関法を後処理ステップとして適用します。これにより、LHSの列が並べ替えられ、望ましいランク相関を入力間に誘導すると同時に、周辺分布と層化特性が維持されます。既知の相関を無視すると、感度推定値が過大または過小評価され、どの入力が最も重要であるかについての誤解を招きます。

関連する手法

参考文献

  1. McKay, M.D., Beckman, R.J. & Conover, W.J. (1979). A Comparison of Three Methods for Selecting Values of Input Variables in the Analysis of Output from a Computer Code. Technometrics, 21(2), 239-245.

    DOI 文献を開く
    コピーしました。
  2. Saltelli, A., Ratto, M., Andres, T., Campolongo, F., Cariboni, J., Gatelli, D., Saisana, M. & Tarantola, S. (2008). Global Sensitivity Analysis: The Primer. Wiley.

    DOI 文献を開く
    コピーしました。