大域感度解析のためのガウス過程を用いた勾配ベース能動学習

複雑な数値シミュレータの大域感度解析は、実行可能なモデル評価回数が少ないことによってしばしば制約される。このような状況では、限られた一連のシミュレーションから構築された代理モデルにより、計算機実験の計画を効率的に拡充できるならば、計算負荷を大幅に軽減できる。この文脈において、固定された評価予算の下で、感度解析の精度向上に最も有益な入力空間領域を対象とする能動学習手法を提案する。より具体的には、本手法は、ガウス過程（GP）代理モデルから得られる導関数を活用した感度解析（Sobol指標および導関数に基づく大域感度指標（DGSM））のための能動学習に関する近年の進展に基づく。GP勾配の同時事後分布を活用することで、偏導関数間の相関と、それらが応答曲面に及ぼす影響をより適切に考慮する獲得関数を開発し、既存のDGSM指向の基準よりも包括的かつ頑健な方法論を実現する。提案手法をまず標準的なベンチマーク関数において最先端手法と比較し、次いで農薬移行に関する実際の環境モデルへ適用する。

https://doi.org/10.1051/ps/2026017