.png){kind=icon}
返回
Efficient Sensitivity Analysis in Biomanufacturing with Sequential Shapley Value Estimation
.png){kind=icon}
PRE
AI
DOI：10.1142/S0217595925400135.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在生物制造领域，固有随机因素的存在以及数据量的有限性，使得表征由此产生的随机变异性并对风险进行建模，对于实现稳定的工艺控制和高效的数据利用至关重要。本研究采用Shapley值（SV）基于策略增强型贝叶斯网络（PABN）模型，量化随机因素和历史数据点对输出方差的贡献。为提高SV估计的效率，我们利用随机因素和数据点SV中固有的稀疏性。具体而言，我们首先构建一个top-lambda选择问题，以识别能够共同解释输出方差预定比例的随机因素子集，并随后开发了一种顺序预算分配算法来求解该问题。其次，为缓解有限真实数据下的模型风险，我们设计了一种数据评估程序，将顺序预算分配与压缩感知相结合，将SV估计表述为稀疏恢复问题。在合成和真实PABN模型上的数值实验表明，所提出的方法在受约束的模拟预算下，显著提升了关键随机因素和信息数据点选择的准确性与效率。
Keyword:
Biomanufacturing
sensitivity analysis
Shapley value
simulation
sequential budget allocation
期刊
A
IF:
1
论文数:
60
被引数:
0
机构
引用论文
A Simulation Budget Allocation Procedure for Enhancing the Efficiency of Optimal Subset Selection
PREAI
分享收藏分享收藏Data valuation for medical imaging using Shapley value and application to a large-scale chest X-ray dataset.png)
SCIENTIFIC REPORTS
OAAI
SCIENTIFIC REPORTSIF3.9
OAAI分享收藏
查看更多内容