An improved Copula-Based Framework for Efficient Global Sensitivity Analysis
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Global sensitivity analysis (GSA) enhances our understanding of computational models and simplifies model parameter estimation. VISCOUS (VarIance-based Sensitivity analysis using COpUlaS) is a variance-based GSA framework. The advantage of VISCOUS is that it can use existing model input-output data (e.g., water model parameters-responses) to estimate the first- and total-order Sobol’ sensitivity indices. This study improves VISCOUS by refining its handling of marginal densities of the Gaussian mixture copula model (GMCM). We then evaluate VISCOUS using three types of generic functions relevant to water system models. We observe that its performance depends on function dimension, input-output data size, and non-identifiability. Function dimension refers to the number of uncertain input factors analyzed in GSA, and non-identifiability is the inability to estimate GMCM parameters. VISCOUS proves powerful in estimating first-order sensitivity with a small amount of input-output data (e.g., 200 in this study), regardless of function dimension. It always ranks input factors correctly in both first- and total-order terms. For estimating total-order sensitivity, it is recommended to use VISCOUS when the function dimension is not very high (e.g., less than 20) due to the challenge of producing sufficient input-output data for accurate GMCM inferences (e.g., more than 10000). In cases where all input factors are equally important, a rarity in practice, VISCOUS faces non-identifiability issues that impact its performance. We provide a didactic example and an open-source Python code, pyVISCOUS, for broader user adoption.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle