Sensitivity Analysis on the Sphere and a Spherical ANOVA Decomposition

Résumé technique : Analyse de sensibilité sur la sphère et décomposition ANOVA sphérique

Énoncé du problème
La décomposition de l'Analyse de la Variance (ANOVA) constitue un cadre standard pour comprendre la structure des fonctions multivariées, en particulier pour l'analyse de sensibilité et la réduction de dimension. Dans les contextes classiques où le domaine est un espace produit tensoriel (par exemple, $[0,1]^d$), la décomposition repose sur une structure produit naturelle qui assure l'orthogonalité des fonctions composantes correspondant à différents sous-ensembles de variables. Cependant, l'extension de ce cadre à la sphère de haute dimension $S^d$ présente des défis théoriques majeurs. La sphère manque d'une structure produit tensoriel, et la contrainte $\|x\|=1$ induit des dépendances intrinsèques entre les variables d'entrée. Par conséquent, les définitions classiques des composantes ANOVA, qui reposent sur l'intégration sur des variables indépendantes, échouent à produire des termes uniques ou orthogonaux sur la sphère. De plus, les généralisations existantes pour les variables dépendantes nécessitent souvent des domaines fermés par grille ou des transformations de coordonnées spécifiques qui compromettent l'interprétabilité des variables physiques originales.

Méthodologie
L'article propose une nouvelle décomposition ANOVA sphérique adaptée aux fonctions $f: S^d \to \mathbb{R}$ sous la distribution uniforme. La méthodologie aborde les contraintes géométriques de la sphère à travers trois mécanismes principaux :

1. Décomposition parité : Contrairement au cas classique, les auteurs introduisent un vecteur de parité $\xi \in \{0, 1\}^{d+1}$ pour décomposer les termes en parties paires et impaires. Cela est nécessaire car la dépendance algébrique des variables sur la sphère (termes $x_i^2$) crée des redondances qui ne peuvent être résolues sans distinguer la parité. La décomposition prend la forme :
   $$f(x) = \sum_{u \in \mathcal{D}} \sum_{\xi \in \Upsilon_u} f_{u,\xi}(x_u)$$
   où $u$ est un sous-ensemble d'indices et $\xi$ indique la parité du terme par rapport à chaque variable.

2. Opérateurs de projection itératifs : Les auteurs définissent un opérateur de projection $P_u$ qui intègre une fonction sur la « fibre » de la sphère (une sphère de dimension inférieure) correspondant aux valeurs fixes des variables dans $u$. Contrairement à la projection produit tensoriel classique, cet opérateur ne se factorise pas. Les termes ANOVA sont ensuite définis de manière itérative en utilisant ces projections, de manière similaire à la décomposition de Hoeffding classique mais adaptée à la géométrie sphérique.

3. Élimination des redondances : En raison de la relation $\sum x_i^2 = 1$, les termes pairs dépendant d'une variable $x_{d+1}$ peuvent être exprimés comme des fonctions des variables restantes. Pour assurer une décomposition unique et non redondante, les auteurs proposent d'omettre des termes spécifiques où la variable d'indice le plus élevé apparaît avec une parité paire. Cela réduit le nombre total de termes et prévient les dépendances linéaires dans la base.

4. Construction de base orthogonale : Pour mettre en œuvre la décomposition numériquement, l'article construit des bases orthogonales réduites pour les boules de dimension inférieure $B^{|u|}$ sur lesquelles les termes $f_{u,\xi}$ sont définis. Ces bases utilisent des polynômes de Gegenbauer pour les termes unidimensionnels et des polynômes de Jacobi combinés à des harmoniques sphériques pour les termes de dimension supérieure, garantissant l'orthogonalité par rapport aux fonctions de poids induites sur la sphère.

5. Approximation numérique et analyse de sensibilité : La décomposition est approximée à l'aide d'une série tronquée de ces fonctions de base. Les coefficients sont déterminés en résolvant un problème des moindres carrés (en utilisant l'algorithme LSQR) sur des nœuds d'échantillonnage aléatoires. Sur la base des variances de ces termes, les auteurs définissent des indices de Sobol sphériques pour quantifier l'importance des variables, reconnaissant que si l'orthogonalité stricte est perdue pour les termes pairs, les indices résultants fournissent des mesures stables de l'influence des variables.

Contributions clés

• Définition ANOVA sphérique : L'article établit la première décomposition ANOVA dédiée à la sphère qui conserve l'interprétabilité des variables originales, évitant ainsi le besoin de transformations de systèmes de coordonnées (par exemple, coordonnées sphériques) qui obscurcissent le sens physique.
• Structure basée sur la parité : Il introduit la nécessité de distinguer les termes pairs et impairs via un vecteur de parité $\xi$, une caractéristique absente de l'ANOVA classique mais essentielle pour gérer la géométrie de la sphère.
• Propriétés théoriques : Les auteurs analysent la transférabilité des propriétés classiques, démontrant que si l'orthogonalité est maintenue entre les termes de parités différentes, elle ne s'applique pas strictement entre les termes de même parité en raison des dépendances entre variables. Ils fournissent des conditions intégrales spécifiques que les termes doivent satisfaire.
• Base réduite et gestion des redondances : Le travail définit une méthode pour identifier et omettre les termes redondants découlant de la contrainte de la sphère, assurant ainsi un dictionnaire linéairement indépendant de fonctions de base.
• Indices de sensibilité : L'article définit des indices de Sobol adaptés au domaine sphérique, offrant un cadre pour l'analyse de sensibilité globale sur des entrées dépendantes contraintes à une variété.

Résultats
Des expériences numériques ont été menées sur la sphère de dimension 10 ($S^{10}$) en utilisant des fonctions tests avec des structures d'interaction connues (incluant des polynômes, des fonctions de parité mixte et la fonction d'Ishigami).

• La méthode proposée a identifié avec succès des termes ANOVA non nuls correspondant aux interactions connues dans les fonctions tests.
• Pour les fonctions composées entièrement de termes impairs, la décomposition correspondait étroitement aux attentes, avec une détection précise des termes non nuls.
• Pour les fonctions impliquant des termes pairs, la méthode a correctement identifié les variables d'interaction principales, bien que certaines variances aient été distribuées à des termes d'ordre supérieur en raison des dépendances inhérentes. Les auteurs notent que l'ampleur de ces termes « trompeurs » est faible par rapport aux termes principaux.
• L'approche itérative consistant à augmenter l'ordre des termes (ordre 1, puis ordre 2) a produit des résultats comparables à la résolution simultanée de tous les termes, validant la stabilité du solveur LSQR dans ce contexte.

Signification et affirmations
L'article affirme que la décomposition ANOVA sphérique proposée fournit une « représentation significative et interprétable » des fonctions sur la sphère, comblant un vide dans la littérature où aucune décomposition dédiée n'existait. Sa signification réside dans :

• Analyse consciente de la géométrie : Elle respecte la courbure intrinsèque et le couplage des variables de la sphère, que les méthodes classiques ne parviennent pas à capturer sans perdre en interprétabilité.
• Réduction de dimension : En identifiant que les fonctions de haute dimension sur la sphère sont souvent dominées par des interactions d'ordre faible, la méthode offre une voie pour atténuer le fléau de la dimensionnalité dans l'approximation et l'intégration.
• Analyse de sensibilité : Elle permet la quantification de l'importance des variables dans des contextes d'entrées dépendantes, servant d'outil pour la sélection de caractéristiques et la réduction du bruit dans des domaines traitant des vecteurs de caractéristiques normalisés (par exemple, géophysique, mécanique quantique).

Les auteurs maintiennent un ton modeste, reconnaissant que la décomposition ne répond pas à toutes les questions basées sur l'application (telles que les caractérisations spécifiques des espaces de fonctions) et que l'absence d'orthogonalité stricte pour les termes pairs signifie que les indices de Sobol doivent être interprétés comme des mesures d'importance relative plutôt que comme des partitions exactes de la variance. Le travail est présenté comme un cadre théorique fondamental et un algorithme pratique pour l'analyse de fonctions sur des domaines sphériques.