基于 Shapley 值估计的政策增强图形混合模型敏感性分析
机器学习
2024-12-03 v2 统计计算
摘要
鉴于生物制造领域的高复杂度和高不确定性等关键挑战，我们提出了一个针对一般非线性政策增强知识图谱(pKG)混合模型的全面且计算高效的敏感性分析框架，这些模型揭示了底层随机决策过程机制的风险-和科学-基础理解。通过对每个输入(即随机因素、政策参数和模型参数)应用 Shapley 值(SV)敏感性分析来衡量其关键性(称为 SV-pKG)，并考虑过程因果相互依存关系。为快速评估重载荷生物过程的 SV，我们用线性高斯 pKG 模型近似其动力学，并利用线性高斯特性提高 SV 估计效率。此外，我们提出了一种有效的置换抽样方法，结合 TFWW 变换和方差缩减技术，即准蒙特卡罗法和抗相关抽样方法，以进一步提高一般非线性和线性高斯 pKG 模型的抽样效率和估计准确性。我们提出的框架有助于高效解释并支持生物制造中的稳定最优过程控制。
引用
@article{arxiv.2411.13396,
title = {Sensitivity Analysis on Policy-Augmented Graphical Hybrid Models with Shapley Value Estimation},
author = {Junkai Zhao and Wei Xie and Jun Luo},
journal= {arXiv preprint arXiv:2411.13396},
year = {2024}
}