PulseAugur
实时 22:45:41
English(EN) Gradient-enhanced global sensitivity analysis with Poincar{\'e} chaos expansions

新框架利用Poincaré混沌展开增强敏感性分析

研究人员开发了一个利用Poincaré混沌展开的梯度增强全局敏感性分析(GSA)新框架。该方法利用正交基来高效计算Sobol指数,在数据稀缺的情况下尤其有益。所提出的方法整合了梯度增强回归和基于导数的敏感性分析的进展,并在数据有限的洪水建模案例研究中证明了其准确性。 AI

影响 这项研究可以提高复杂建模场景下敏感性分析的效率和准确性,可能影响依赖于理解模型行为的AI应用。

排序理由 该集群包含一篇详细介绍统计学新方法的学术论文。[lever_c_demoted from research: ic=1 ai=0.4]

在 arXiv stat.ML 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新框架利用Poincaré混沌展开增强敏感性分析

报道来源 [1]

  1. arXiv stat.ML TIER_1 English(EN) · O Roustant (INSA Toulouse, IMT, RT-UQ, ANITI), N L\"uthen (INSA Toulouse, IMT), David Heredia (INSA Toulouse, IMT), B Sudret ·

    Gradient-enhanced global sensitivity analysis with Poincar{\'e} chaos expansions

    arXiv:2510.03056v2 Announce Type: replace-cross Abstract: Spectral methods, also known as chaos expansions, are widely used in global sensitivity analysis (GSA), as they leverage orthogonal bases of L2 spaces to efficiently compute Sobol' indices, particularly in data-scarce sett…