Tunny Icon
TunnyDocs

The next-gen Grasshopper optimization tool.

Sobol

概要

Sobol 感度指数は、目的関数の分散分解に基づいてパラメータの重要度を定量化するグローバル感度分析手法です。 目的関数の分散を各パラメータの寄与に分けることで、線形か非線形かを問わず、パラメータ間の交互作用も含めた影響度を [0,1][0,1] の値として返します。

v0.1 の出力は、独立な一様入力分布の下で、適合した二次 Ridge サロゲートの感度を推定したものです。トライアルの経験的な同時分布や、制約付き設計領域に対する感度ではありません。 解釈には、入力分布とサロゲートの精度の両方が重要です。

Tunny Dashboard では 2 種類の指数を提供します:

指数 記号 意味
一次指数 (First-Order) SiS_i パラメータ xix_i の単独寄与率
全効果指数 (Total-Effect) STiST_i xix_i の単独 + 他パラメータとの交互作用を含む総寄与率

理論背景

ANOVA 分散分解

入力が独立で出力分散が正の場合、Sobol 分解は、モデル出力 Y=f(X1,…,Xp)Y = f(X_1, \ldots, X_p) の分散を各パラメータの寄与に分解します:

Var(Y)=∑iVi+∑i<jVij+⋯+V1…p\mathrm{Var}(Y) = \sum_i V_i + \sum_{i<j} V_{ij} + \cdots + V_{1\ldots p}

  • Vi=Var(E[Y∣Xi])V_i = \mathrm{Var}(\mathbb{E}[Y \mid X_i]): xix_i のみが変化したときの YY の期待値の分散
  • Vij=Var(E[Y∣Xi,Xj])−Vi−VjV_{ij} = \mathrm{Var}(\mathbb{E}[Y \mid X_i, X_j]) - V_i - V_j: xix_i と xjx_j の交互作用分散

一次指数

Si=ViVar(Y)S_i = \frac{V_i}{\mathrm{Var}(Y)}

x_i の変化だけで説明できる Y の分散の割合です。 S_i の合計は ≤ 1(交互作用がなければ = 1)です。

全効果指数

STi=E[Var(Y∣X∼i)]Var(Y)=1−Var(E[Y∣X∼i])Var(Y)ST_i = \frac{\mathbb{E}[\mathrm{Var}(Y \mid X_{\sim i})]}{\mathrm{Var}(Y)} = 1 - \frac{\mathrm{Var}(\mathbb{E}[Y \mid X_{\sim i}])}{\mathrm{Var}(Y)}

X_{~i} は「x_i 以外のすべてのパラメータ」です。 ST_i は、x_i の単独効果と x_i が絡むすべての交互作用効果の合計です。

理論上の指数では STi≥SiST_i \ge S_i が成立します。 差 STi−SiST_i - S_i が大きいほど、 選んだ入力分布の下で、評価対象モデル内の xix_i が他パラメータとの交互作用に強く関与していることを意味します。

たとえば Si=0.05S_i = 0.05、 STi=0.45ST_i = 0.45 というパラメータを考えます。 これは単独ではほとんど効かないのに、ほかのパラメータと組み合わさると分散の 4 割を交互作用で説明している、という読み方になります。v0.1 では、これは独立な一様入力分布の下でのサロゲートの解釈であり、実際の目的関数でも同じ効果があるという保証ではありません。

有限サンプル推定の注意: Saltelli 一次指数推定量と Jansen 全効果推定量は独立に計算されるため、有限サンプルでは S^i>ST^i\hat{S}_i > \hat{ST}_i が生じることがあります。 Tunny Dashboard では推定後に ST^i←max⁡(ST^i,S^i)\hat{ST}_i \leftarrow \max(\hat{ST}_i, \hat{S}_i) を適用してから [0,1][0,1] に両方をクランプし、出力値の大小関係を保証しています。


Tunny Dashboard での計算方法

全体フロー

二次 Ridge サロゲートモデルを構築し、そのモデル上で Saltelli サンプリングを行います。 評価対象をサロゲートに置き換えることで、Grasshopper 定義を再実行することなく、1024 点の Saltelli サンプリングを回せます。

  1. 二次 Ridge サロゲートを構築します。
  2. Saltelli 行列 A, B を ChaCha8 で生成します。
  3. A, B, AB_i でサロゲートを評価します。
  4. Saltelli (2010) で S_i、Jansen (1999) で ST_i を推定します。

Step 1: 二次 Ridge サロゲートモデル

特徴量構成

p 個の標準化済み線形入力から p(p+3)/2 次元の二次特徴量ベクトルを構築します:

ϕ(x)=[x1,…,xp,  x12,…,xp2,  x1x2,…,xp−1xp]\phi(x) = [x_1, \ldots, x_p,; x_1^2, \ldots, x_p^2,; x_1x_2, \ldots, x_{p-1}x_p]

例: p = 3 → 3 + 3 + 3 = 9 次元 (= 3×6/2)

したがって、サロゲートの特徴量次元は

dϕ=p+p+p(p−1)2=p(p+3)2d_\phi = p + p + \frac{p(p-1)}{2} = \frac{p(p+3)}{2}

であり、学習サンプル数 nn は少なくとも dϕd_\phi と同程度、実務上は n≫dϕn \gg d_\phi が望ましいです。

サロゲートの学習

すべてのパラメータ値と目的関数値が有限である行だけを保持し、学習に使用します。 保持された行が最低 2 件、パラメータと目的関数がそれぞれ最低 1 個必要です。

  1. XX の各列を Z スコア標準化

xj=xj−μjσj\tilde x_j = \frac{x_j-\mu_j}{\sigma_j}j​=σj​xj​−μj​​

  1. 二次特徴量 Φ\Phi を構築
  2. Φ\Phi の各列を再度 Z スコア標準化
  3. 各目的関数に対して Ridge( α=1.0\alpha=1.0) を適合

βk=(ΦTΦ+I)−1ΦT(yk−yˉk)\beta_k = (\Phi^T\Phi + I)^{-1}\Phi^T(y_k-\bar y_k)

サロゲートの評価

f^(x)=βTϕ(x)+intercept\hat f(x) = \beta^T \tilde\phi(x) + \mathrm{intercept}​(x)+intercept

ここで φ̃(x) は、二次特徴量を訓練データの統計量で標準化したものです。


Step 2: Saltelli サンプリング

疑似乱数生成: ChaCha8

ChaCha8 アルゴリズムに基づき、シードベースの決定論的な一様乱数([0, 1) の範囲)を生成します。

初期シード: 0xDEAD_BEEF_1234_5678(固定・再現性あり)

行列 A, B の生成

各パラメータの値域 [lo_j, hi_j] は、学習に保持された行の min/max から取得します。 非退化な値域では Xj∼U(observedminj,observedmaxj)X_j \sim U(\mathrm{observed_min}_j, \mathrm{observed_max}_j) とし、パラメータ間も A と B の間も独立な一様乱数で生成します。 宣言された探索範囲での一様分布ではなく、トライアルの経験的な頻度や依存関係も再現しません。 ∣max⁡j−min⁡j∣<f64::EPSILON|\max_j - \min_j| < \texttt{f64::EPSILON} の場合は、固定値のままにせず、 [min⁡j−1,max⁡j+1][\min_j - 1, \max_j + 1] へ値域を拡張します。 値域計算ヘルパーには空列のフォールバック [0,1][0,1] もありますが、空列は通常の受理対象ではありません。最低 2 件の有効な行が必要です。

A[s,j]=loj+uA,s,j (hij−loj),B[s,j]=loj+uB,s,j (hij−loj)A[s,j] = lo_j + u_{A,s,j},(hi_j - lo_j),\qquad B[s,j] = lo_j + u_{B,s,j},(hi_j - lo_j)

AB_i 行列

A の第 i 列のみを B の第 i 列で置換した行列です:

ABi[s]=[A[s,0],…,A[s,i−1],B[s,i],A[s,i+1],…,A[s,p−1]]AB_i[s] = [A[s,0], \ldots, A[s,i-1], B[s,i], A[s,i+1], \ldots, A[s,p-1]]


Step 3: サロゲート評価

A、B、AB_i のすべての出力はサロゲートの予測です。 シミュレーションの再実行、設計領域の実現可能性検証、離散値への丸めは行いません。

fA[k,s]=surrogate_eval(A[s], objective=k)f_A[k,s] = \mathrm{surrogate_eval}(A[s],,\mathrm{objective}=k)

fB[k,s]=surrogate_eval(B[s], objective=k)f_B[k,s] = \mathrm{surrogate_eval}(B[s],,\mathrm{objective}=k)

fABi[k,s]=surrogateeval(ABi[s], objective=k)f{AB_i}[k,s] = \mathrm{surrogate_eval}(AB_i[s],,\mathrm{objective}=k)


Step 4: Saltelli / Jansen 推定量

一次指数(Saltelli 2010)

Si≈∑sfB[s] (fABi[s]−fA[s])N VarYS_i \approx \frac{\sum_s f_B[s],(f_{AB_i}[s]-f_A[s])}{N,\mathrm{Var}_Y}

全効果指数(Jansen 1999)

STi≈∑s(fA[s]−fABi[s])22N VarYST_i \approx \frac{\sum_s (f_A[s]-f_{AB_i}[s])^2}{2N,\mathrm{Var}_Y}

分散の推定

VarY=mean(fA2)−mean(fA)2\mathrm{Var}_Y = \mathrm{mean}(f_A^2) - \mathrm{mean}(f_A)^2 VarY<f64::EPSILON\mathrm{Var}_Y < \texttt{f64::EPSILON} の場合(サロゲートが定数に近い)は Si=STi=0S_i = ST_i = 0 を返します。

クリッピング

まず全効果の推定値を一次指数の推定値以上に補正し、次に両方を [0,1][0,1] にクリップします:

Si=clamp(Siraw,0,1),STi=clamp(max⁡(STiraw,Siraw),0,1)S_i = \mathrm{clamp}(S_i^{\mathrm{raw}}, 0, 1),\qquad ST_i = \mathrm{clamp}(\max(ST_i^{\mathrm{raw}}, S_i^{\mathrm{raw}}), 0, 1)


複数目的関数への対応

Importance チャートでは、各パラメータのスコアとして全目的関数に対する指数の平均を表示します:

display_score(pj)=1m∑kSi[j][k]\mathrm{display_score}(p_j)=\frac{1}{m}\sum_k S_i[j][k]

display_score(pj)=1m∑kSTi[j][k]\mathrm{display_score}(p_j)=\frac{1}{m}\sum_k ST_i[j][k]


パラメータ設定

設定項目 値
Saltelli サンプル数 1024
Ridge 正則化強度 α 1.0
乱数シード 0xDEAD_BEEF_1234_5678

必要データ量

  • 有限値の行を保持した後で最低 2 トライアル(n ≥ 2)、p ≥ 1、目的関数 ≥ 1 が必要です
  • サロゲートの精度は n とともに向上します。目安として n ≥ 10 × p(p+3)/2 を推奨します

計算が動く最低ラインと、結果を信用してよいトライアル数は別ものです。 たとえばパラメータが 5 個なら特徴量次元は dϕ=20d_\phi = 20 になるため、目安となるトライアル数は 200 です。 この設定では n が 2 でも指数自体は返りますが、20 個の係数を 2 件のデータから決めていることになるので、その値は読まないでください。

パラメータの扱いに関する前提

数値列はそのまま使用し、カテゴリ列は文字列ラベルを出現順の整数 ID(0.0, 1.0, …)へラベル符号化して使用します。数値のカテゴリラベルは数値として扱います。

カテゴリ ID の範囲でも連続一様サンプリングを行うため、実在するカテゴリではない小数の ID が生成されます。サロゲートは ID に人工的な順序や距離を与えるため、結果は符号化に依存し得ます。 カテゴリの意味を考慮した感度分析ではありません。


特性・限界

強み:

  • サロゲート内の線形、二次、パラメータ対の交互作用を扱えます
  • 値域が [0,1][0,1] で複数パラメータ間の比較が容易です
  • ST_i - S_i で、この入力分布の下でのサロゲート内の交互作用を把握できます
  • サロゲートを使うため、トライアル数が限られていても計算可能です

弱み:

  • サロゲートモデル(二次 Ridge)の精度に結果が依存します
    • 真の関数が高次非線形または強い不連続性を持つ場合は精度が落ちます
  • トライアルの相関や、条件付きパラメータの有効化条件は保持されません。 各値域の直積で独立にサンプリングするため、未観測の組合せや、制約付き・非矩形の設計領域外の点が生成され得ます。 そこでの予測は外挿になり得ます
  • p が大きくなると特徴量数 p(p+3)/2 が増加し、サロゲートの学習精度が低下する可能性があります
  • 乱数シードが固定のため再現性はありますが、N の選択で結果が変わります

弱みの 1 つめは、指数をサロゲートの上で計算している以上、避けられない性質です。 二次特徴量 ϕ(x)\phi(x) が持つのは、1 次の項、2 乗の項、2 変数の積までです。 しきい値のような不連続な応答や、3 つ以上のパラメータが同時に絡む効果は表現できません。 STi−SiST_i - S_i が 0 でないことは、この入力分布の下でのサロゲート内の交互作用の手がかりに留まり、実際の目的関数の交互作用を保証しません。 Sobol の値をそのまま順位として使うより、まず SiS_i と STiST_i の差を見て、次に何を調べるかを決める使い方が扱いやすいです。


参考文献

  • Saltelli, A. et al. (2010). Variance based sensitivity analysis of model output. Design and estimator for the total sensitivity index. Computer Physics Communications, 181(2), 259–270. https://doi.org/10.1016/j.cpc.2009.09.018
  • Jansen, M. J. W. (1999). Analysis of variance designs for model output. Computer Physics Communications, 117(1), 35–43. https://doi.org/10.1016/S0010-4655(98)00154-4
  • Sobol, I. M. (1993). Sensitivity estimates for nonlinear mathematical models. Mathematical Modelling and Computational Experiments, 1(4), 407–414.
© 2026 hrntsm
Made with Fresh