Sensitivity Analysis on the Sphere and a Spherical ANOVA Decomposition

Sintesi Tecnica: Analisi di Sensibilità sulla Sfera e una Decomposizione ANOVA Sferica

Enunciato del Problema
La decomposizione dell'Analisi della Varianza (ANOVA) è un quadro standard per comprendere la struttura delle funzioni multivariate, in particolare per l'analisi di sensibilità e la riduzione della dimensionalità. Nei contesti classici in cui il dominio è uno spazio prodotto tensoriale (ad esempio, $[0,1]^d$), la decomposizione si basa su una struttura prodotto naturale che garantisce l'ortogonalità delle funzioni componenti corrispondenti a diversi sottoinsiemi di variabili. Tuttavia, estendere questo quadro alla sfera ad alta dimensione $S^d$ presenta sfide teoriche significative. La sfera manca di una struttura prodotto tensoriale e il vincolo $\|x\|=1$ induce dipendenze intrinseche tra le variabili di input. Di conseguenza, le definizioni classiche delle componenti ANOVA, che si basano sull'integrazione su variabili indipendenti, non riescono a produrre termini unici o ortogonali sulla sfera. Inoltre, le generalizzazioni esistenti per variabili dipendenti spesso richiedono domini chiusi su griglia o trasformazioni coordinate specifiche che compromettono l'interpretabilità delle variabili fisiche originali.

Metodologia
Il documento propone una nuova decomposizione ANOVA sferica adattata per funzioni $f: S^d \to \mathbb{R}$ sotto la distribuzione uniforme. La metodologia affronta i vincoli geometrici della sfera attraverso tre meccanismi principali:

1. Decomposizione di Parità: A differenza del caso classico, gli autori introducono un vettore di parità $\xi \in \{0, 1\}^{d+1}$ per decomporre i termini in parti pari e dispari. Ciò è necessario perché la dipendenza algebrica delle variabili sulla sfera (termini $x_i^2$) crea ridondanze che non possono essere risolte senza distinguere la parità. La decomposizione assume la forma:
   $$f(x) = \sum_{u \in \mathcal{D}} \sum_{\xi \in \Upsilon_u} f_{u,\xi}(x_u)$$
   dove $u$ è un sottoinsieme di indici e $\xi$ indica la parità del termine rispetto a ciascuna variabile.

2. Operatori di Proiezione Iterativi: Gli autori definiscono un operatore di proiezione $P_u$ che integra una funzione sulla "fibra" della sfera (una sfera di dimensione inferiore) corrispondente a valori fissati delle variabili in $u$. A differenza della proiezione classica su prodotto tensoriale, questo operatore non si fattorizza. I termini ANOVA sono quindi definiti in modo iterativo utilizzando queste proiezioni, analogamente alla decomposizione classica di Hoeffding ma adattata alla geometria sferica.

3. Eliminazione delle Ridondanze: A causa della relazione $\sum x_i^2 = 1$, i termini pari dipendenti da una variabile $x_{d+1}$ possono essere espressi come funzioni delle variabili rimanenti. Per garantire una decomposizione unica e non ridondante, gli autori propongono di omettere termini specifici in cui la variabile con l'indice più alto appare con parità pari. Ciò riduce il numero totale di termini ed evita dipendenze lineari nella base.

4. Costruzione di Basi Ortogonali: Per implementare numericamente la decomposizione, il documento costruisce basi ortogonali ridotte per le sfere di dimensione inferiore $B^{|u|}$ su cui sono definiti i termini $f_{u,\xi}$. Queste basi utilizzano polinomi di Gegenbauer per termini unidimensionali e polinomi di Jacobi combinati con armoniche sferiche per termini di dimensioni superiori, garantendo l'ortogonalità rispetto alle funzioni di peso indotte sulla sfera.

5. Approssimazione Numerica e Analisi di Sensibilità: La decomposizione è approssimata utilizzando una serie tronca di queste funzioni di base. I coefficienti sono determinati risolvendo un problema ai minimi quadrati (utilizzando l'algoritmo LSQR) su nodi di campionamento casuale. Sulla base delle varianze di questi termini, gli autori definiscono indici di Sobol sferici per quantificare l'importanza delle variabili, riconoscendo che, sebbene l'ortogonalità rigorosa sia persa per i termini pari, gli indici risultanti forniscono misure stabili dell'influenza delle variabili.

Contributi Chiave

• Definizione di ANOVA Sferica: Il documento stabilisce la prima decomposizione ANOVA dedicata alla sfera che mantiene l'interpretabilità delle variabili originali, evitando la necessità di trasformazioni del sistema di coordinate (ad esempio, coordinate sferiche) che oscurano il significato fisico.
• Struttura Basata sulla Parità: Introduce la necessità di distinguere tra termini pari e dispari tramite un vettore di parità $\xi$, una caratteristica assente nell'ANOVA classica ma essenziale per gestire la geometria della sfera.
• Proprietà Teoriche: Gli autori analizzano la trasferibilità delle proprietà classiche, dimostrando che, sebbene l'ortogonalità valga tra termini di parità diversa, non vale rigorosamente tra termini della stessa parità a causa delle dipendenze tra le variabili. Forniscono condizioni integrali specifiche che i termini devono soddisfare.
• Base Ridotta e Gestione delle Ridondanze: Il lavoro definisce un metodo per identificare e omettere termini ridondanti derivanti dal vincolo della sfera, garantendo un dizionario di funzioni di base linearmente indipendente.
• Indici di Sensibilità: Il documento definisce indici di Sobol adattati al dominio sferico, fornendo un quadro per l'analisi di sensibilità globale su input dipendenti vincolati a una varietà.

Risultati
Sono stati condotti esperimenti numerici sulla sfera a 10 dimensioni ($S^{10}$) utilizzando funzioni di test con strutture di interazione note (inclusi polinomi, funzioni a parità mista e la funzione di Ishigami).

• Il metodo proposto ha identificato con successo termini ANOVA non nulli corrispondenti alle interazioni note nelle funzioni di test.
• Per funzioni composte interamente da termini dispari, la decomposizione ha corrisposto strettamente alle aspettative, con termini non nulli rilevati con accuratezza.
• Per funzioni che coinvolgono termini pari, il metodo ha identificato correttamente le variabili interagenti primarie, sebbene una parte della varianza sia stata distribuita a termini di ordine superiore a causa delle dipendenze intrinseche. Gli autori notano che l'entità di questi termini "fuorvianti" è piccola rispetto ai termini primari.
• L'approccio iterativo di aumentare l'ordine dei termini (ordine 1, poi ordine 2) ha prodotto risultati comparabili alla risoluzione simultanea di tutti i termini, validando la stabilità del solver LSQR in questo contesto.

Significato e Affermazioni
Il documento afferma che la proposta di decomposizione ANOVA sferica fornisce una "rappresentazione significativa e interpretabile" delle funzioni sulla sfera, colmando un vuoto nella letteratura in cui non esisteva una decomposizione dedicata. La sua rilevanza risiede in:

• Analisi Consapevole della Geometria: Rispetta la curvatura intrinseca e l'accoppiamento delle variabili della sfera, che i metodi classici non riescono a catturare senza perdere l'interpretabilità.
• Riduzione della Dimensionalità: Identificando che le funzioni ad alta dimensione sulla sfera sono spesso dominate da interazioni di ordine inferiore, il metodo offre una via per mitigare la maledizione della dimensionalità nell'approssimazione e nell'integrazione.
• Analisi di Sensibilità: Permette la quantificazione dell'importanza delle variabili in contesti con input dipendenti, fungendo da strumento per la selezione delle caratteristiche e la riduzione del rumore in campi che trattano vettori di caratteristiche normalizzati (ad esempio, geofisica, meccanica quantistica).

Gli autori mantengono un tono modesto, riconoscendo che la decomposizione non risponde a tutte le domande basate sulle applicazioni (come le caratterizzazioni specifiche degli spazi di funzioni) e che la mancanza di ortogonalità rigorosa per i termini pari significa che gli indici di Sobol dovrebbero essere interpretati come misure di importanza relativa piuttosto che partizioni esatte della varianza. Il lavoro è presentato come un quadro teorico fondazionale e un algoritmo pratico per l'analisi di funzioni su domini sferici.