論文の概要: Data-Driven Global Sensitivity Analysis for Engineering Design Based on Individual Conditional Expectations
- arxiv url: http://arxiv.org/abs/2512.11946v1
- Date: Fri, 12 Dec 2025 15:28:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-16 17:54:56.048642
- Title: Data-Driven Global Sensitivity Analysis for Engineering Design Based on Individual Conditional Expectations
- Title（参考訳）: 個別条件予測に基づくエンジニアリング設計のためのデータ駆動型グローバル感性分析
- Authors: Pramudita Satria Palar, Paul Saves, Rommel G. Regis, Koji Shimoyama, Shigeru Obayashi, Nicolas Verstaevel, Joseph Morlier,
- Abstract要約: 本研究では,個別条件予測曲線に基づく大域的感度指標を提案する。
この手法は、ICE曲線の標準偏差とともに期待される特徴重要度を計算し、相互作用の影響をより効果的に捉える。
さらに,入力と出力の相互作用がどのように変化するかを定量化するために,ICEに基づく相関値を導入する。
- 参考スコア（独自算出の注目度）: 0.29316801942271303
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Explainable machine learning techniques have gained increasing attention in engineering applications, especially in aerospace design and analysis, where understanding how input variables influence data-driven models is essential. Partial Dependence Plots (PDPs) are widely used for interpreting black-box models by showing the average effect of an input variable on the prediction. However, their global sensitivity metric can be misleading when strong interactions are present, as averaging tends to obscure interaction effects. To address this limitation, we propose a global sensitivity metric based on Individual Conditional Expectation (ICE) curves. The method computes the expected feature importance across ICE curves, along with their standard deviation, to more effectively capture the influence of interactions. We provide a mathematical proof demonstrating that the PDP-based sensitivity is a lower bound of the proposed ICE-based metric under truncated orthogonal polynomial expansion. In addition, we introduce an ICE-based correlation value to quantify how interactions modify the relationship between inputs and the output. Comparative evaluations were performed on three cases: a 5-variable analytical function, a 5-variable wind-turbine fatigue problem, and a 9-variable airfoil aerodynamics case, where ICE-based sensitivity was benchmarked against PDP, SHapley Additive exPlanations (SHAP), and Sobol' indices. The results show that ICE-based feature importance provides richer insights than the traditional PDP-based approach, while visual interpretations from PDP, ICE, and SHAP complement one another by offering multiple perspectives.
- Abstract（参考訳）: 説明可能な機械学習技術は、特に、入力変数がデータ駆動モデルにどのように影響するかを理解することが不可欠である航空宇宙設計と分析において、工学的応用において注目を集めている。
PDP(Partial Dependence Plots)は、入力変数の予測に対する平均効果を示すことによってブラックボックスモデルの解釈に広く用いられている。
しかしながら、その大域的な感度測定は、平均的な相互作用効果が不明瞭な傾向があるため、強い相互作用が存在するときに誤解を招く可能性がある。
この制限に対処するため,個人条件予測(ICE)曲線に基づくグローバル感度指標を提案する。
この手法は、ICE曲線の標準偏差とともに期待される特徴重要度を計算し、相互作用の影響をより効果的に捉える。
本稿では, PDP に基づく感度が, 直交多項式展開の下で提案した ICE ベースの測定値の下位値であることの数学的証明を行う。
さらに,ICEに基づく相関値を導入し,インタラクションが入力と出力の関係をどう修正するかを定量化する。
5変量解析関数,5変量風車疲労問題,9変量気翼空力解析の3例で比較評価を行い,PDP,SHAP,Sobolの指標とICEによる感度を比較検討した。
その結果,PDP,ICE,SHAPの視覚的解釈は,PDP,ICE,SHAPの視覚的解釈が相互に補完する一方で,ICEに基づく特徴の重要性は,従来のPDPのアプローチよりも豊かな洞察を与えることがわかった。
関連論文リスト
- Smart Sensor Placement: A Correlation-Aware Attribution Framework (CAAF) for Real-world Data Modeling [11.354527723215568]
最適センサー配置(OSP)は、実世界のシステムにおいて、効率的で正確な監視、制御、推論に重要である。
興味の量を予測するためのOSPを識別するための,機械学習に基づく特徴属性フレームワークを提案する。
論文 参考訳（メタデータ） (2025-10-26T03:50:16Z) - Disentangled Feature Importance [0.0]
本稿では,古典的$R2$分解の非パラメトリックな一般化であるemphDisentangled Feature Importance (DFI)を紹介する。
DFIは, 相関歪みを排除したトランスポートマップを用いて, 独立潜伏変数に相関した特徴を持つ。
DFIは、潜在加法モデルに対する総予測変数に匹敵する重要度スコアの原理的な分解を提供する。
論文 参考訳（メタデータ） (2025-06-30T20:54:48Z) - Graph-based Complexity for Causal Effect by Empirical Plug-in [56.14597641617531]
本稿では、因果効果クエリに対する経験的プラグイン推定の計算複雑性に焦点を当てる。
計算は、推定値のハイパーグラフに依存するため、データサイズにおいて、潜在的に線形な時間で効率的に行うことができることを示す。
論文 参考訳（メタデータ） (2024-11-15T07:42:01Z) - Variable Importance in High-Dimensional Settings Requires Grouping [19.095605415846187]
Conditional Permutation Importance (CPI)は、そのような場合のPIの制限をバイパスする。
クラスタリングまたはいくつかの事前知識を介して統計的に変数をグループ化すると、ある程度のパワーバックが得られる。
重み付けにより拡張された手法は,高相関なグループであっても,型Iエラーを制御可能であることを示す。
論文 参考訳（メタデータ） (2023-12-18T00:21:47Z) - Forecasting Auxiliary Energy Consumption for Electric Heavy-Duty
Vehicles [6.375656754994484]
電気自動車の運転を最適化するためには、エネルギー消費予測が不可欠である。
本稿では、データのサブセット上で複数の回帰モデルをトレーニングすることで、潜在的な解決策を実証する。
合成データセットと実世界のデータセットの両方の実験では、複雑な問題をより単純なデータセットに分割することで、より良い回帰性能と解釈可能性が得られることが示されている。
論文 参考訳（メタデータ） (2023-11-27T16:52:25Z) - Data-Driven Influence Functions for Optimization-Based Causal Inference [105.5385525290466]
統計的汎関数に対するガトー微分を有限差分法で近似する構成的アルゴリズムについて検討する。
本研究では,確率分布を事前知識がないが,データから推定する必要がある場合について検討する。
論文 参考訳（メタデータ） (2022-08-29T16:16:22Z) - Bringing a Ruler Into the Black Box: Uncovering Feature Impact from
Individual Conditional Expectation Plots [0.0]
本稿では,ICEプロットから抽出したモデル非依存,性能非依存の特徴影響指標を提案する。
また,ディストリビューション点の影響を変動させるために,ICE特徴量の影響の分布内変異を導入する。
実世界のデータを用いて,ICE機能の効果をいくつかのタスクで実証する。
論文 参考訳（メタデータ） (2021-09-06T20:26:29Z) - Identifiable Energy-based Representations: An Application to Estimating
Heterogeneous Causal Effects [83.66276516095665]
条件付き平均治療効果(CATEs)は、多数の個体にまたがる不均一性について理解することができる。
典型的なCATE学習者は、CATEが識別可能であるために、すべての共起変数が測定されていると仮定する。
本稿では,ノイズコントラッシブ損失関数を用いて,変数の低次元表現を学習するエネルギーベースモデルを提案する。
論文 参考訳（メタデータ） (2021-08-06T10:39:49Z) - SGCN:Sparse Graph Convolution Network for Pedestrian Trajectory
Prediction [64.16212996247943]
歩行者軌道予測のためのスパースグラフ畳み込みネットワーク(SGCN)を提案する。
具体的には、SGCNはスパース指向の相互作用をスパース指向の空間グラフと明確にモデル化し、適応的な相互作用歩行者を捉える。
可視化は,歩行者の適応的相互作用とその運動特性を捉えることができることを示す。
論文 参考訳（メタデータ） (2021-04-04T03:17:42Z) - Latent Causal Invariant Model [128.7508609492542]
現在の教師付き学習は、データ適合プロセス中に急激な相関を学習することができる。
因果予測を求める潜在因果不変モデル(LaCIM)を提案する。
論文 参考訳（メタデータ） (2020-11-04T10:00:27Z) - Repulsive Mixture Models of Exponential Family PCA for Clustering [127.90219303669006]
指数関数型家族主成分分析(EPCA)の混合拡張は、従来のEPCAよりもデータ分布に関する構造情報を符号化するように設計された。
従来のEPCAの混合は、モデルの冗長性、すなわち混合成分間の重なりが問題であり、データクラスタリングの曖昧さを引き起こす可能性がある。
本稿では, 混合成分間での反発性増感前処理を導入し, ベイズ式に分散EPCA混合(DEPCAM)モデルを開発した。
論文 参考訳（メタデータ） (2020-04-07T04:07:29Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。