Space-Filling One-Factor-At-A-Time Designs

Resumen Técnico: Diseños de Llenado de Espacio de un Solo Factor a la Vez (SOFT)

Planteamiento del Problema
En los experimentos computacionales deterministas, los diseños de llenado de espacio (por ejemplo, los Diseños de Hipercubo Latino) son el estándar para explorar espacios de entrada con el fin de construir modelos sustitutos robustos, como los Procesos Gaussianos (GP). Sin embargo, estos diseños suelen ser ineficientes para el cribado de factores (screening) porque varían todos los factores simultáneamente, lo que dificulta aislar efectos causales cuando solo un pequeño subconjunto de entradas es influyente (el supuesto de "escasez de efectos"). Por el contrario, los diseños de un solo factor a la vez (OFAT, por sus siglas en inglés) son efectivos para el cribado, pero históricamente han sufrido de malas propiedades de llenado de espacio, lo que genera huecos en el espacio de entrada que degradan la precisión del modelado de sustitutos. Los diseños de cribado existentes, como los diseños de Morris y los recientemente propuestos diseños de Máximo Un Solo Factor a la Vez (MOFAT), mejoran la capacidad de cribado pero no proporcionan una cobertura adecuada del interior del espacio de entrada, a menudo agrupando puntos cerca de los límites o dejando grandes regiones inexploradas.

Metodología
Los autores proponen una nueva clase de diseños llamada Diseños de Llenado de Espacio de un Solo Factor a la Vez (SOFT). Estos diseños pretenden optimizar las propiedades de llenado de espacio manteniendo la estructura de cribado de los diseños OFAT. La metodología consta de tres componentes clave:

1. Criterio de Optimización: En lugar de depender de métricas simples basadas en la distancia (como la distancia minimax) que pueden no tener en cuenta los errores de extrapolación en los modelos GP, los autores optimizan un criterio basado en el Error Cuadrático Medio Máximo (MMSE) de un sustituto GP. Específicamente, maximizan la forma cuadrática $Q(D; \alpha, \theta) = \min_{x \in E} \{r(x)'R^{-1}r(x)\}$, donde $E$ es un conjunto de evaluación que comprende muestras de Monte Carlo uniformes y vértices representativos del hipercubo de entrada. Esto asegura que el diseño minimice el peor error de predicción bajo un núcleo de Multiquadrática Inversa Multiplicativa (MIM).
2. Niveles de Factores y Emparejamiento: Para mantener la capacidad de cribado, el diseño utiliza $2l$ niveles espaciados uniformemente para cada factor. Los autores derivan una estrategia de emparejamiento óptima (Proposición 1) donde los niveles se emparejan para maximizar la magnitud total de la perturbación, asegurando una estimación precisa de los índices de Sobol' totales. Identifican un desfase inicial robusto ($a = 0.125/l$) para los niveles que funciona bien en diversas estructuras de correlación.
3. Optimización Estructural: El artículo aborda dos estructuras OFAT:
   • Estructura Estándar: Todas las trayectorias OFAT se originan en una matriz de corridas base común $A^{(0)}$.
   • Estructura Estricta: Las trayectorias se encadenan secuencialmente.
     Para la estructura estricta, donde evaluar todas las permutaciones es computacionalmente inviable, se propone un algoritmo voraz (greedy) para construir la secuencia de cambios de factores que maximiza el criterio de llenado de espacio. Para ambas estructuras, se utiliza un algoritmo de búsqueda local determinista para optimizar las corridas base ($A^{(0)}$) mediante el intercambio de filas para mejorar el criterio $Q$.

Contribuciones Clave

• Nueva Clase de Diseño: Introducción de los diseños SOFT, que son los primeros en integrar explícitamente fuertes propiedades de llenado de espacio con las capacidades de cribado de los diseños OFAT en el contexto de experimentos computacionales.
• Marco de Optimización: Desarrollo de un marco de optimización específico que equilibra la necesidad de cribado (mediante la estructura OFAT y la magnitud de la perturbación) con la necesidad de precisión de predicción global (mediante criterios de llenado de espacio basados en MMSE).
• Eficiencia Algorítmica: Presentación de algoritmos eficientes (construcción voraz y búsqueda local) para generar estos diseños, señalando que, aunque requieren optimización, son computacionalmente más eficientes que la generación de diseños de llenado de espacio de alta dimensión como MaxPro.

Resultos
Los estudios numéricos que comparan los diseños SOFT con los diseños MmLHD, MaxPro y MOFAT en dimensiones de $p=2$ a $20$ arrojan los siguientes hallazgos:

• Propiedades de Llenado de Espacio: Los diseños SOFT logran un rendimiento de llenado de espacio (medido por los criterios $Q$ y $\Phi$) comparable al de los diseños de llenado de espacio clásicos (MmLHD y MaxPro) y significativamente superior a los diseños MOFAT, particularmente en entornos de alta dimensión. La estructura estricta generalmente ofrece un mejor llenado de espacio que la estructura estándar a medida que las dimensiones aumentan.
• Precisión del Modelo Sustituto: En términos del Error Cuadrático Medio (MSE) fuera de la muestra para funciones de referencia (función-g, Levy, Ackley):
  • Los diseños SOFT logran consistentemente el MSE más bajo en la mayoría de los escenarios, incluyendo aquellos con escasez de efectos (factores inertes).
  • Mientras que los diseños de puro llenado de espacio (MmLHD, MaxPro) tienen dificultades cuando muchos factores son inertes, y los diseños MOFAT tienen dificultades cuando los factores son activos o en altas dimensiones, los diseños SOFT se mantienen robustos en ambos regímenes.
  • La estructura estándar de los diseños SOFT suele proporcionar el rendimiento predictivo más estable.
• Costo Computacional: Los diseños SOFT son significativamente más rápidos de generar que los diseños MmLHD y MaxPro, aunque ligeramente más costosos que los diseños MOFAT debido al paso de optimización.

Significación y Reivindicaciones
El artículo afirma que los diseños SOFT ofrecen una "ventaja clara" sobre los métodos existentes al resolver el compromiso entre el cribado y el llenado de espacio. Los autores sostienen que los diseños SOFT son más robustos para el modelado de sustitutos que los diseños de llenado de espacio tradicionales, un resultado que describen como "sorprendente" dada la sabiduría convencional de que el llenado de espacio es primordial para los experimentos computacionales. Posicionan a SOFT como el primer diseño de su tipo en experimentos computacionales que integra con éxito las capacidades de cribado y de modelado de superficie de respuesta, lo que potencialmente impactará cómo se exploran y modelan los sistemas complejos cuando existe escasez de factores. El trabajo cuenta con el apoyo de la Fundación Nacional de Ciencias de los EE. UU.