Sensitivity Analysis on the Sphere and a Spherical ANOVA Decomposition

Technische Samenvatting: Sensitiviteitsanalyse op de Sfeer en een Sferische ANOVA-decompositie

Probleemstelling
De Analysis of Variance (ANOVA)-decompositie is een standaardkader voor het begrijpen van de structuur van multivariate functies, met name voor sensitiviteitsanalyse en dimensiereductie. In klassieke situaties waarbij het domein een tensorproductruimte is (bijvoorbeeld $[0,1]^d$), steunt de decompositie op een natuurlijke productstructuur die de orthogonaliteit van componentfuncties die overeenkomen met verschillende variabelensubsets garandeert. Het uitbreiden van dit kader naar de hoogdimensionale sfeer $S^d$ vormt echter aanzienlijke theoretische uitdagingen. De sfeer mist een tensorproductstructuur, en de beperking $\|x\|=1$ induceert intrinsieke afhankelijkheden tussen invoervariabelen. Bijgevolg falen klassieke definities van ANOVA-componenten, die steunen op integratie over onafhankelijke variabelen, om unieke of orthogonale termen op de sfeer te produceren. Bovendien vereisen bestaande generalisaties voor afhankelijke variabelen vaak domeinen die gesloten zijn onder roosters of specifieke coördinatentransformaties die de interpreteerbaarheid van de oorspronkelijke fysische variabelen in gevaar brengen.

Methodologie
Het artikel stelt een nieuwe sferische ANOVA-decompositie voor die is toegespitst op functies $f: S^d \to \mathbb{R}$ onder de uniforme verdeling. De methodologie adresseert de geometrische beperkingen van de sfeer via drie primaire mechanismen:

1. Pariteitsdecompositie: In tegenstelling tot het klassieke geval introduceren de auteurs een pariteitsvector $\xi \in \{0, 1\}^{d+1}$ om termen op te splitsen in even en oneven delen. Dit is noodzakelijk omdat de algebraïsche afhankelijkheid van variabelen op de sfeer (termen met $x_i^2$) redundanties creëert die niet kunnen worden opgelost zonder onderscheid te maken naar pariteit. De decompositie neemt de volgende vorm aan:
   $$f(x) = \sum_{u \in \mathcal{D}} \sum_{\xi \in \Upsilon_u} f_{u,\xi}(x_u)$$
   waarbij $u$ een subset van indices is en $\xi$ de pariteit van de term ten opzichte van elke variabele aangeeft.

2. Iteratieve Projectie-operatoren: De auteurs definiëren een projectie-operator $P_u$ die een functie integreert over de "vezel" van de sfeer (een lagerdimensionale sfeer) die overeenkomt met vaste waarden van de variabelen in $u$. In tegenstelling tot de klassieke tensorprojectie, factoriseert deze operator niet. De ANOVA-termen worden vervolgens iteratief gedefinieerd met behulp van deze projecties, vergelijkbaar met de klassieke Hoeffding-decompositie maar aangepast voor de sferische geometrie.

3. Eliminatie van Redundantie: Vanwege de relatie $\sum x_i^2 = 1$ kunnen even termen die afhankelijk zijn van een variabele $x_{d+1}$ worden uitgedrukt als functies van de overige variabelen. Om een unieke en niet-redundante decompositie te waarborgen, stellen de auteurs voor om specifieke termen weg te laten waarbij de variabele met het hoogste index getal voorkomt met even pariteit. Dit vermindert het totale aantal termen en voorkomt lineaire afhankelijkheden in de basis.

4. Constructie van een Orthogonale Basis: Om de decompositie numeriek te implementeren, construeert het artikel gereduceerde orthogonale bases voor de lagerdimensionale ballen $B^{|u|}$ waarop de termen $f_{u,\xi}$ zijn gedefinieerd. Deze bases maken gebruik van Gegenbauer-polynomen voor een-dimensionale termen en Jacobi-polynomen gecombineerd met sferische harmonischen voor hogerdimensionale termen, waarmee orthogonaliteit wordt gewaarborgd met betrekking tot de geïnduceerde gewichtsfuncties op de sfeer.

5. Numerieke Benadering en Sensitiviteitsanalyse: De decompositie wordt benaderd met een afgeknotte reeks van deze basisfuncties. De coëfficiënten worden bepaald door een kleinste-kwadratenprobleem op te lossen (met het LSQR-algoritme) op willekeurige steekproefknooppunten. Gebaseerd op de varianties van deze termen definiëren de auteurs sferische Sobol-indexen om variabelebelang te kwantificeren, met de erkenning dat hoewel strikte orthogonaliteit verloren gaat voor even termen, de resulterende indexen stabiele maatstaven bieden voor variabeleinfluentie.

Belangrijkste Bijdragen

• Definitie van Sferische ANOVA: Het artikel vestigt de eerste toegewijde ANOVA-decompositie voor de sfeer die de interpreteerbaarheid van oorspronkelijke variabelen behoudt, waardoor de noodzaak voor coördinatenstelseltransformaties (bijvoorbeeld sferische coördinaten) die fysische betekenis verduisteren, wordt vermeden.
• Pariteitsgebaseerde Structuur: Het introduceert de noodzaak om onderscheid te maken tussen even en oneven termen via een pariteitsvector $\xi$, een kenmerk dat afwezig is in klassieke ANOVA maar essentieel is voor het hanteren van de geometrie van de sfeer.
• Theoretische Eigenschappen: De auteurs analyseren de overdraagbaarheid van klassieke eigenschappen en tonen aan dat hoewel orthogonaliteit geldt tussen termen van verschillende pariteit, deze niet strikt geldt tussen termen van dezelfde pariteit vanwege variabele-afhankelijkheden. Zij geven specifieke integraalvoorwaarden die de termen moeten voldoen.
• Gereduceerde Basis en Omgaan met Redundantie: Het werk definieert een methode om redundante termen die voortvloeien uit de beperking van de sfeer te identificeren en weg te laten, waarmee een lineair onafhankelijke woordenlijst van basisfuncties wordt gewaarborgd.
• Sensitiviteitsindexen: Het artikel definieert Sobol-indexen die zijn aangepast voor het sferische domein, en biedt een kader voor globale sensitiviteitsanalyse bij afhankelijke invoer die beperkt zijn tot een manifold.

Resultaten
Numerieke experimenten werden uitgevoerd op de 10-dimensionale sfeer ($S^{10}$) met testfuncties met bekende interactiestructuren (waaronder polynomen, functies met gemengde pariteit en de Ishigami-functie).

• De voorgestelde methode slaagde erin niet-nul ANOVA-termen die overeenkomen met de bekende interacties in de testfuncties, succesvol te identificeren.
• Voor functies die volledig zijn samengesteld uit oneven termen, stemde de decompositie nauwkeurig overeen met verwachtingen, waarbij niet-nul termen correct werden gedetecteerd.
• Voor functies die even termen bevatten, identificeerde de methode correct de primaire interagerende variabelen, hoewel enige variantie werd verdeeld over hogere-orde termen als gevolg van de inherente afhankelijkheden. De auteurs merken op dat de grootte van deze "misleidende" termen klein is in vergelijking met de primaire termen.
• De iteratieve aanpak waarbij de orde van termen wordt verhoogd (orde 1, vervolgens orde 2) leverde resultaten op die vergelijkbaar waren met het simultaan oplossen voor alle termen, waarmee de stabiliteit van de LSQR-oplosser in deze context werd gevalideerd.

Betekenis en Claims
Het artikel claimt dat de voorgestelde sferische ANOVA-decompositie een "zinvolle en interpreteerbare representatie" biedt van functies op de sfeer, en zo een gat in de literatuur opvult waar geen toegewijde decompositie bestond. De betekenis hiervan ligt in:

• Geometrie-bewuste Analyse: Het respecteert de intrinsieke kromming en variabele-koppeling van de sfeer, wat klassieke methoden niet kunnen vastleggen zonder interpreteerbaarheid te verliezen.
• Dimensiereductie: Door te identificeren dat hoogdimensionale functies op de sfeer vaak worden gedomineerd door interacties van lage orde, biedt de methode een weg om de vloek van de dimensionaliteit in benadering en integratie te mitigeren.
• Sensitiviteitsanalyse: Het maakt de kwantificatie van variabelebelang mogelijk in situaties met afhankelijke invoer, en dient als hulpmiddel voor featureselectie en ruisreductie in gebieden die te maken hebben met genormaliseerde featurevectoren (bijvoorbeeld geofysica, kwantummechanica).

De auteurs handhaven een bescheiden toon, met de erkenning dat de decompositie niet alle op toepassing gebaseerde vragen beantwoordt (zoals specifieke karakteriseringen van functieruimten) en dat het ontbreken van strikte orthogonaliteit voor even termen betekent dat de Sobol-indexen moeten worden geïnterpreteerd als maatstaven voor relatief belang in plaats van exacte variantie-indeling. Het werk wordt gepresenteerd als een fundamenteel theoretisch kader en een praktisch algoritme voor het analyseren van functies op sferische domeinen.