基于个体条件期望的工程设计全局敏感性分析
机器学习
2026-03-16 v3 人工智能
机器学习
摘要
可解释机器学习技术在工程应用中受到越来越多的关注，尤其是在航空航天设计和分析中，理解输入变量如何影响数据驱动模型至关重要。部分依赖图 (Partial Dependence Plots, PDPs) 通过展示输入变量对预测的平均效应，被广泛用于解释黑盒模型。然而，当存在强交互作用时，其全局敏感性指标可能会产生误导，因为平均化往往会掩盖交互效应。为了解决这一局限性，我们提出了一种基于个体条件期望 (Individual Conditional Expectation, ICE) 曲线的全局敏感性指标。该方法计算 ICE 曲线上的期望特征重要性及其标准差，以更有效地捕捉交互作用的影响。我们提供了数学证明，表明在截断正交多项式展开下，基于 PDP 的敏感性是基于 ICE 指标的下界。此外，我们引入了基于 ICE 的相关性值，以量化交互作用如何改变输入与输出之间的关系。在三个案例中进行了比较评估：一个 5 变量解析函数、一个 5 变量风力涡轮机疲劳问题和一个 9 变量翼型空气动力学案例，其中基于 ICE 的敏感性被与 PDP、SHapley Additive exPlanations (SHAP) 和 Sobol' 指数进行了基准测试。结果表明，基于 ICE 的特征重要性提供了比传统基于 PDP 方法更丰富的洞察，而 PDP、ICE 和 SHAP 的可视化解释通过提供多个视角相互补充。
引用
@article{arxiv.2512.11946,
title = {Global Sensitivity Analysis for Engineering Design Based on Individual Conditional Expectations},
author = {Pramudita Satria Palar and Paul Saves and Rommel G. Regis and Koji Shimoyama and Shigeru Obayashi and Nicolas Verstaevel and Joseph Morlier},
journal= {arXiv preprint arXiv:2512.11946},
year = {2026}
}
备注
Published in Aerospace Science and Technology, 2026