Sensitivity Analysis on the Sphere and a Spherical ANOVA Decomposition

Resumen Técnico: Análisis de Sensibilidad en la Esfera y una Descomposición ANOVA Esférica

Enunciado del Problema
La descomposición del Análisis de Varianza (ANOVA) es un marco estándar para comprender la estructura de funciones multivariadas, particularmente para el análisis de sensibilidad y la reducción de dimensionalidad. En contextos clásicos donde el dominio es un espacio de producto tensorial (por ejemplo, $[0,1]^d$), la descomposición se basa en una estructura de producto natural que garantiza la ortogonalidad de las funciones componentes correspondientes a diferentes subconjuntos de variables. Sin embargo, extender este marco a la esfera de alta dimensión $S^d$ presenta desafíos teóricos significativos. La esfera carece de una estructura de producto tensorial, y la restricción $\|x\|=1$ induce dependencias intrínsecas entre las variables de entrada. En consecuencia, las definiciones clásicas de componentes ANOVA, que dependen de la integración sobre variables independientes, no producen términos únicos u ortogonales en la esfera. Además, las generalizaciones existentes para variables dependientes a menudo requieren dominios cerrados por rejillas o transformaciones de coordenadas específicas que comprometen la interpretabilidad de las variables físicas originales.

Metodología
El artículo propone una nueva descomposición ANOVA esférica adaptada para funciones $f: S^d \to \mathbb{R}$ bajo la distribución uniforme. La metodología aborda las restricciones geométricas de la esfera a través de tres mecanismos principales:

1. Descomposición de Paridad: A diferencia del caso clásico, los autores introducen un vector de paridad $\xi \in \{0, 1\}^{d+1}$ para descomponer los términos en partes pares e impares. Esto es necesario porque la dependencia algebraica de las variables en la esfera (términos $x_i^2$) crea redundancias que no pueden resolverse sin distinguir la paridad. La descomposición toma la forma:
   $$f(x) = \sum_{u \in \mathcal{D}} \sum_{\xi \in \Upsilon_u} f_{u,\xi}(x_u)$$
   donde $u$ es un subconjunto de índices y $\xi$ indica la paridad del término con respecto a cada variable.

2. Operadores de Proyección Iterativos: Los autores definen un operador de proyección $P_u$ que integra una función sobre la "fibra" de la esfera (una esfera de dimensión inferior) correspondiente a valores fijos de las variables en $u$. A diferencia de la proyección de producto tensorial clásica, este operador no se factoriza. Los términos ANOVA se definen luego iterativamente utilizando estas proyecciones, similar a la descomposición clásica de Hoeffding pero adaptada a la geometría esférica.

3. Eliminación de Redundancias: Debido a la relación $\sum x_i^2 = 1$, los términos pares que dependen de una variable $x_{d+1}$ pueden expresarse como funciones de las variables restantes. Para garantizar una descomposición única y no redundante, los autores proponen omitir términos específicos donde la variable de índice más alto aparece con paridad par. Esto reduce el número total de términos y previene dependencias lineales en la base.

4. Construcción de Base Ortogonal: Para implementar la descomposición numéricamente, el artículo construye bases ortogonales reducidas para las bolas de dimensión inferior $B^{|u|}$ sobre las cuales se definen los términos $f_{u,\xi}$. Estas bases utilizan polinomios de Gegenbauer para términos unidimensionales y polinomios de Jacobi combinados con armónicos esféricos para términos de mayor dimensión, garantizando la ortogonalidad con respecto a las funciones de peso inducidas en la esfera.

5. Aproximación Numérica y Análisis de Sensibilidad: La descomposición se aproxima utilizando una serie truncada de estas funciones base. Los coeficientes se determinan resolviendo un problema de mínimos cuadrados (utilizando el algoritmo LSQR) en nodos de muestreo aleatorio. Basándose en las varianzas de estos términos, los autores definen índices de Sobol esféricos para cuantificar la importancia de las variables, reconociendo que, aunque la ortogonalidad estricta se pierde para los términos pares, los índices resultantes proporcionan medidas estables de la influencia de las variables.

Contribuciones Clave

• Definición de ANOVA Esférica: El artículo establece la primera descomposición ANOVA dedicada para la esfera que conserva la interpretabilidad de las variables originales, evitando la necesidad de transformaciones de sistemas de coordenadas (por ejemplo, coordenadas esféricas) que oscurecen el significado físico.
• Estructura Basada en Paridad: Introduce la necesidad de distinguir entre términos pares e impares mediante un vector de paridad $\xi$, una característica ausente en el ANOVA clásico pero esencial para manejar la geometría de la esfera.
• Propiedades Teóricas: Los autores analizan la transferibilidad de las propiedades clásicas, demostrando que, aunque la ortogonalidad se mantiene entre términos de paridad diferente, no se mantiene estrictamente entre términos de la misma paridad debido a las dependencias de las variables. Proporcionan condiciones integrales específicas que los términos deben satisfacer.
• Base Reducida y Manejo de Redundancias: El trabajo define un método para identificar y omitir términos redundantes que surgen de la restricción de la esfera, asegurando un diccionario linealmente independiente de funciones base.
• Índices de Sensibilidad: El artículo define índices de Sobol adaptados al dominio esférico, proporcionando un marco para el análisis de sensibilidad global en entradas dependientes restringidas a una variedad.

Resultados
Se realizaron experimentos numéricos en la esfera de 10 dimensiones ($S^{10}$) utilizando funciones de prueba con estructuras de interacción conocidas (incluyendo polinomios, funciones de paridad mixta y la función de Ishigami).

• El método propuesto identificó con éxito términos ANOVA no nulos correspondientes a las interacciones conocidas en las funciones de prueba.
• Para funciones compuestas enteramente por términos impares, la descomposición coincidió estrechamente con las expectativas, detectando con precisión los términos no nulos.
• Para funciones que involucran términos pares, el método identificó correctamente las variables interactivas principales, aunque cierta varianza se distribuyó a términos de orden superior debido a las dependencias inherentes. Los autores señalan que la magnitud de estos términos "engañosos" es pequeña en comparación con los términos principales.
• El enfoque iterativo de aumentar el orden de los términos (orden 1, luego orden 2) arrojó resultados comparables a resolver todos los términos simultáneamente, validando la estabilidad del solucionador LSQR en este contexto.

Significado y Afirmaciones
El artículo afirma que la descomposición ANOVA esférica propuesta proporciona una "representación significativa e interpretable" de funciones en la esfera, llenando un vacío en la literatura donde no existía una descomposición dedicada. Su importancia radica en:

• Análisis Consciente de la Geometría: Respeta la curvatura intrínseca y el acoplamiento de variables de la esfera, aspectos que los métodos clásicos no logran capturar sin perder interpretabilidad.
• Reducción de Dimensionalidad: Al identificar que las funciones de alta dimensión en la esfera a menudo están dominadas por interacciones de bajo orden, el método ofrece una vía para mitigar la maldición de la dimensionalidad en la aproximación y la integración.
• Análisis de Sensibilidad: Permite cuantificar la importancia de las variables en configuraciones con entradas dependientes, sirviendo como herramienta para la selección de características y la reducción de ruido en campos que tratan con vectores de características normalizados (por ejemplo, geofísica, mecánica cuántica).

Los autores mantienen un tono modesto, reconociendo que la descomposición no responde a todas las preguntas basadas en aplicaciones (como caracterizaciones específicas de espacios de funciones) y que la falta de ortogonalidad estricta para los términos pares significa que los índices de Sobol deben interpretarse como medidas de importancia relativa en lugar de particiones exactas de varianza. El trabajo se presenta como un marco teórico fundamental y un algoritmo práctico para analizar funciones en dominios esféricos.