揚聲器 | 成績單 |
| 詹姆斯·維斯諾夫斯基 | 歡迎團隊發現。 Andrew Carl 和 Darryl Ahner 以及我很高興能夠介紹兩種新的採樣技術：自適應採樣技術和 |
| 確實會在增強實驗設計方面為一些從業者提供一些奇妙的有用性。 我想做的是我想回顧我們的一些 |
| 我在這裡的流程一直在談論這一切是如何發生的。 但當我們考慮 DOE 和增強設計時，JMP 中已經具備了強大的功能。 |
| 因此，我們在進行一些非常大規模的模擬研究時發現，我們在這裡遺漏了一部分 |
| 間隙填充設計和自適應採樣設計。 還有 |
| 關鍵點是自適應採樣設計將重點關注響應。 |
| 因此，這與您考慮可能進行增強並查看設計空間並查看 X 矩陣的標準設計時有很大不同。 所以現在我們將實際考慮目標或回應。 所以這實際上會結束 |
| 提供全新的功能，以便我們可以測試令人興奮的其他樣本。 因此，我們希望處於一個高梯度區域，就像您在響應曲面方法中所想像的那樣，與上升一樣深。 |
| 現在，我們將透過在模擬中使用許多變數和數千次運行來實現這一點，從而實現自動化。 |
| 好消息是，對於小型設計的從業者來說，這確實可以很好地縮小規模。 |
| 我將快速瀏覽我們將要向您展示的添加內容，然後安德魯將談論一些相關的技術細節。 |
| 所以我確實想道歉的一件事是，這將相當以 PowerPoint 為中心，而不是 JMP 添加 |
| 有兩個原因...我應該說，而不是 JMP 演示...有兩個原因，主要是因為我們 |
| 時間，我們有很多材料需要完成，而且我們的 JMP 利用率實際上是在我們在自適應採樣中製定的演算法中。 所以 |
| 最終，JMP 的點擊是我們開發的一個非常簡單的使用者介面，但幕後有什麼 |
| 和演算法，這確實是 JMP 的力量，所以。 如此之快，間隙填充設計非常清晰。 我們可以看到這裡有一些差距，也許這有點誇張地展示了技術， |
| 儘管實際上我們可能有大量的因素，維度災難可能會發揮作用，並且您的設計中存在這些漏洞。 |
| 你可以看到，我們可以用這個空間填充設計來增強它，這是一種主力 |
| 在我們許多工作的增強中，特別是在刺激呼叫方面，看起來還不錯。 如果我們看看那些新的藍點 |
| 點，我們新增的點，看起來還不錯。 然後如果你開始仔細觀察，你會發現，我們開始複製很多 |
| 我們已經完成了，也許我們沒有像我們想像的那樣填補這些漏洞，特別是當我們去掉藍色著色時，我們可以看到 |
| 那裡仍然存在相當多的差距。 因此，當我們開發自適應採樣時，我們認識到其中的一件事是我們需要填補一些漏洞 |
| 在很多這樣的設計中。 我們在我們的工具（我們的插件）中提出了一種演算法，稱為邊界瀏覽器，它將執行此特定操作... |
| 對於任何設計，它都會執行此特定功能來填補漏洞，您可以看到它在許多不同的應用程式中可能有很多實用性。 |
| 因此，在這張特定的幻燈片或圖表中，我們可以看到這些藍點現在可能更集中於孔，並且有一些藍點分散在該區域的其餘部分。 但即使我們去... |
| 你可以塗上顏色，看起來更均勻，我們已經很好地填充了這個空間。 |
| 現在，這更多的是我們實現總體目標所需的實用程序，即主動採樣。 我們為此找到的主要應用程式 |
| 是自治系統，它引起了很多關注並進行了大量的生產和測試，特別是在國防部。 |
| 所以在自治系統中，當你想到它時，你可能會想到實際上有兩個主要項目。 在自治系統中，您真正關注的是您真正需要的 |
| 一些感測器可以讓系統知道它在哪裡。 然後是演算法或軟體對此做出反應。 所以它是一種感測器- |
| 我們主要關注的演算法軟體整合。 然後驅動的是一個非常複雜的模擬模型，老實說需要 |
| 運行很多很多數千次。 但更重要的是，我們發現在這些自主系統中，我們在表現上有這些界線。 |
| 例如，我們有一個來自軍隊的領導者-追隨者的例子。 那是士兵駕駛重裝甲車的地方 |
| 車隊中的卡車，然後車隊的其餘部分將是自主的，他們不會有士兵。 |
| 或者想想也許是最新的特斯拉皮卡車，你有自動導航，對吧？ 所以我們的想法是我們正在尋求測試這些系統，並且我們最終必須進行大量測試。 發生的事情是 |
| 例如，即使在這輛特斯拉中，你的時速可以達到 30 英里，你可能沒問題並避開障礙物。 但在 30.1 時，您將不得不進行超出演算法規範的規避操作。 所以 |
| 當我們說存在這些界限時，這就是我們所談論的。 它們非常陡峭 |
| 響應的變化，非常高的梯度區域。 這就是我們想要集中註意力的地方。 |
| 我們並不像平坦的表面那麼感興趣，這才是真正有趣的部分，這就是我們想要做的地方。 |
| 老實說，我們發現，迭代得越多，我們的解決方案就越好。 我們完全 |
| 建議將其作為迭代過程來執行。 因此，這就是適應性部分，進行測試，然後產生一些新的優點，然後查看這些回應是什麼，然後根據它們調整您的下一組運行。 |
| 這就是我們的自適應採樣。 |
| 這個想法的起源實際上來自我們與約翰霍普金斯大學應用物理實驗室所做的一些工作。 他們正在與軍隊一起做一些非常好的工作 |
| 在審查他們的一篇期刊文章時，我心裡想，你知道，就你正在做的事情而言，這真是太棒了，我們甚至可以使用 JMP 來提出一個更容易訪問的解決方案許多從業者。 因為問題是 |
| 約翰霍普金斯大學的特點是它非常具體，而且有點......整合，這不是非常重要的東西 |
| 較小的測試團隊也可以使用。 所以我們想把它交給可以立即使用它的人手中。 |
| 這篇來自《系統與軟體雜誌》的論文，是我們邊界探索器的來源。 事實證明，我們使用了很多好主意，但我們能夠想出不同的方法和 |
| 和其他方法。 特別是，使用 JMP Pro 中的本機功能以及一些開發，例如我們一路上所做的間隙填充設計。 |
| 現在， |
| 就這個範例問題而言，可能最好我去解釋一下 |
| 就在此處的演示中。 因此，如果我看這裡的圖表，我可以看到......我將使用這個......我將回到特斯拉的例子。 假設我正在做一個自動導航類型的活動，並且我有兩個輸入因素，也許 |
| 我們有交通的速度和密度。 所以我們正在考慮這個 Tesla 演算法。 它想要併入左側車道，所以它想要，我應該說，你知道，超車。 所以它必須合併。 因此，其中之一是特斯拉的行駛速度，另一個可能是交通密度。 |
| 然後也許在這個區域我們的數字更低。 所以我們可以想到這些數字 2 到 10，我們甚至可以想到響應，甚至可能像碰撞的機率。 |
| 因此，在低速/低密度的情況下，我們發生碰撞的可能性非常低，但在高速/低密度的情況下，我們發生碰撞的可能性非常低。 |
| 高密度，那麼你的機率就非常高。 但重點是我在這裡強調和選擇的，你可以看到那裡非常陡峭 |
| 沿邊界區域的性能差異。 因此，當我們進行模擬並開始對演算法進行越來越多的軟體測試時， |
| 我們會注意到，在這裡獲得更多積分確實對我們沒有太多好處。 我們知道我們在低密度和低速度方面做得很好。 我們想做的是真正在邊界區域開展工作。 這就是我們的問題， |
| 我怎麼能產生 200 個真正符合我的邊界條件的新點。 |
| 現在，我所做的是我真的，它是 X1 和 X2，再次考慮速度和... |
| 我們的速度以及密度。 然後我只是在這裡添加了一個沒有任何意義的預測變數。 然後就是我們的回應。 所以要做到這一點，我所要做的就是進入邊界探索器並在自適應採樣下， |
| 我的兩個回應（您可以根據需要獲得任意多個回應），然後這是我的三個輸入因素。 然後我在這裡有一些設置，無論我是否想要定位全局最小值和最大值，顯示邊界。 |
| 我們最終還將向您展示您在這裡擁有一定的控制權。 那麼，在這個演算法中，我們真正要找的是，最近的鄰居在做什麼？ 如果所有最近的鄰居都有相同的反應，則具有的機率為零 |
| 一個意外，那不是一個很有趣的地方。 我想看看哪裡有很大的差異。 這就是最近的鄰居所在的地方 |
| 發揮作用。 所以我會繼續運行這個。 我們現在可以看到，演算法使用了 JMP 的本機功能進行預測篩選，並且 |
| 幸運的是，沒有使用常態分佈。 您可以看到它正在運行引導森林。 安德魯將談論它的用途。 |
| 最終 |
| 我們在這裡要做的是產生一整套新點，這些點有望落在邊界上。 所以，你知道，花了 30 秒左右的時間來完成這些要點，從這裡我可以繼續前進並拉起 |
| 我的新觀點。 所以你可以看到我的新觀點有點沿著這些界限，如果我繼續把其他觀點放進去，可能最容易看到 |
| 那些。 |
| 所以就在這裡，也許我會 |
| 在這裡快速切換顏色。 |
| 我將繼續展示擾動的中點。 |
| 所以現在我們可以看到所有新點在哪裡。 所以，那些有陰影的點，那些是原始的點，現在我們看到了在那個邊界中產生的所有新點。 |
| 當然，問題是，我們是如何做到的？ |
| 所以我要做的就是回到我的演講。 |
| 從那裡，我會將其移交給安德魯，他將提供更多關於我們如何找到這些邊界點的技術細節，因為它並不像我們想像的那麼簡單。 |
| 安德魯卡爾 | 好的。 謝謝，吉姆。 我將首先討論快速填補空白，因為除了將其整合到整體野獸工具中之外，我們還將其放入其中。 |
| 它也是一個獨立的工具。 因此它有一個相當簡單的介面，我們可以在其中選擇定義要填滿的空間的列。 |
| 對於連續因子，它讀取編碼列屬性以獲得高值和低值，並且也可以採用名目因子。 |
| 此外，如果您是從自訂設計或空間填充設計生成的，並且您有不允許的組合，它將在不允許的組合腳本中讀取 |
| 並且只在允許的空間內進行間隙填充。 因此，使用者指定他們的列，以及他們想要的新運行的數量。 |
| 讓我在更高維度空間中展示一個真實的快速範例。 這是一個三維的情況。 我們有一個立方體，在其中取出一個空心圓柱體，我們經歷了添加這些間隙填充運行的過程，我們將把它們一起打開，看看它們如何組合在一起。 |
| 然後也關閉顏色，看看會發生什麼。 |
| 所以這很好，因為在更高維度的空間中，我們可以填補這些我們甚至在變數圖中不一定能看到的空白。 那我們該怎麼做呢？ |
| 所以我們要做的是，我們取得原始點，在本例中，原始點現在是紅色而不是黑色，我們可以看到這兩個間隙在哪裡， |
| 然後我們覆蓋整個空間的空間填充設計的候選運行集。 |
| 我們為舊候選點和新候選點的連接資料表新增一個指示符列，連續指示符列，我們將舊點標記為 1，將候選點標記為 0。 在這個串聯空間中，我們現在適合 10 個最近鄰 |
| 模型到指標列，我們從中保存預測。 因此候選者以最小的預測運行，在本例中為藍色， |
| 是我們要添加到設計中的間隙點。 現在，如果我們一次執行此操作，它往往會過度強調最大的間隙。 所以我們實際上是這樣做的 |
| 十倍過程，我們將採用十分之一的新點，選擇它們，如下所示，然後將它們添加進去，然後重新運行我們的 k-近鄰演算法來挑選一些新點並填充所有空間更均勻。 |
| 所以這只是一種選擇......間隙填充是邊界瀏覽器中可用的一種選擇。 |
| 因此，吉姆表明，我們可以使用任意數量的回應、任意數量的因子，並且我們可以同時擁有連續和名義回應以及連續和名義因子。 |
| 事實上......不斷出現的因素，我們將把幕後人員標準化為 01，以使他們處於更加平等的地位。 |
| 對於涉及的各個響應，我們將單獨循環每個響應，以找到因子空間內每個響應的邊界。 |
| 最後，我們有一個使用隨機森林的多變量工具，它可以立即考慮所有反應。 |
| 因此，我們將看到 GUI、使用者介面中可用的每個不同選項如何在演算法中出現。 |
| 因此，在對任何這些連續列進行歸一化之後，第一步是對所有連續和名目反應進行預測篩選。 |
| 要做的就是找出預測變量，它們與每個特定的反應相關。 |
| 我們在使用者介面中對解釋的變體比例或每個變數的貢獻部分有一個預設 0.05。 因此，在這種情況下，我們看到 X1 和 X2 被保留用於響應 Y1，而 X3 雜訊被拒絕。 |
| 下一步是運行最近鄰演算法。 我們使用預設值 5，但使用者可以切換該選項。 |
| 我們並不那麼關心它的預測效果如何，因為我們只是簡單地使用它作為一種方法 |
| 到達五個最近的鄰居。 五個鄰居的鄰居排第幾行，距離有多遠？ 目前行的距離是多少？ |
| 我們將使用最近鄰的資訊來識別每個點，每個點是邊界點的機率。 |
| 我們必須在這裡使用 split 並對連續或名義回應採取不同的方法。 對於名目回應，我們所做的是將當前列的回應連接起來 |
| 以及按順序排列的五個最近鄰居的回應，在此連接連接鄰居列中。 |
| 我們有一個簡單的啟發式方法，用於根據連接的鄰居列來識別邊界機率。 |
| 如果所有反應都相同，我們就說它是邊界點的可能性很小。 |
| 如果至少有一個反應不同，那麼我們說它有中等機率成為邊界，對不起，是邊界點。 |
| 如果兩個或多個響應不同，則它很可能是邊界點。 我們也記錄使用的行。 在這種情況下，這就是邊界對。 因此，這是具有與當前行不同的回應的最近鄰居。 |
| 我們可以在原始空間填充設計中繪製這些邊界機率。 |
| 正如吉姆早些時候提到的，我們有一個......我們最初運行一個空間填充設計，然後運行這個邊界探索工具來......探索空間並獲得一些響應。 |
| 現在我們將其納入其中併計算了這些的邊界機率。 我們可以看到我們的邊界機率與實際邊界相符。 |
| 對於連續響應，我們採用來自五個最近鄰居的連續響應，並為每個響應添加一列，然後採用它們的標準差。 |
| 鄰居標準差最大的點是位於最陡梯度區域的點，這些點更有可能是我們的邊界點。 |
| 我們也將標準差乘以平均距離以獲得資訊度量， |
| 因為它的作用是對於相鄰標準差相等的兩個點，它將增加位於較稀疏區域中的點的權重，該區域中已有的點較少。 |
| 現在我們已經有了這個連續的資訊測量，我們必須弄清楚如何將每個點分成高、中、低機率。 |
| 所以我們要做的就是適應分銷。 我們擬合常態三混合，並使用平均值作為最大分佈作為高機率點的截止值。 |
| 我們使用最大和第二大常態分佈的密度的交集作為中等機率點的截止值。 |
| 因此，一旦我們確定了那些截止點，我們就應用它來形成我們的邊界機率列。 |
| 我們還保留使用的行，這是最接近的。 在這種情況下，對於連續響應，即具有與當前角色的絕對值差異最大的響應的鄰居。 |
| 因此，現在對於連續響應和名目響應，我們有相同的輸出。 我們有邊界機率和使用的行。 現在我們已經確定了邊界點， |
| 我們需要能夠使用它來沿著邊界產生新點。 |
| 所以第一個方法，從某些方面來說，也是最好的方法 |
| 用來瞄準和放大邊界的方法就是我們所說的中點法。 我們對每個邊界對、每行及其行使用、其最近鄰所做的操作 |
| 之前確定的...抱歉，所以不是最近的鄰居，而是在標稱響應差異方面最相關的鄰居或在連續響應方面最不同的鄰居。 |
| 對於連續因子，我們取這兩個點中每個點的座標平均值來形成中點。 這就是您在圖表中看到的內容。 所以我們要提出一點 |
| 在紅色圓圈處。 對於名目因子，我們對邊界對所做的就是取得該因子的水平 |
| 存在於兩點中的每一點中，我們隨機選擇其中一個。 這樣做的好處是，如果它們都相同，那麼這意味著這兩個點的名義因子的中點也將處於相同的水平。 |
| 我們稱為擾動方法的第二種方法是簡單地向每個識別的邊界點添加隨機偏差。 |
| 因此，對於高邊界...高機率點，我們添加兩個這樣的擾動點，對於介質，我們添加一個。 |
| 對於這一點，我們添加，對於連續因素，我們添加隨機偏差。 正常表示0；標準差，標準化空間中的 0.075，且 0.075 是可以縮放的 |
| 在使用者界面內增加或減少邊界周圍的擴散量。 |
| 然後對於名目因素，我們所做的就是......我們隨機挑選每個名目因素的水平。 現在對於高機率... |
| 獲得第二個擾動點的高機率邊界點，我們所做的是在第二個擾動點中，我們將這些標稱因子設定限制為全部等於原始點的標稱因子設定。 |
| 因此，我們執行識別邊界並為邊界瀏覽器中指定的每個回應建立中點和擾動點的過程。 |
| 一旦我們這樣做了，我們將所有內容連接在一起，然後我們將查看為所有回應確定的所有中點， |
| 現在使用多變量技術來產生任何額外的運行。 因為使用者可以指定他們想要多少次運行，而這些中點和擾動方法僅產生固定數量的運行，並且取決於 |
| 我想你可能會說，為了數據。 |
| 因此，我們所做的與間隙填充設計類似，我們採用所有已識別的擾動和所有響應的中點 |
| 我們用候選點的空間填滿設計來填滿整個空間。 我們將連續指標中的候選點標示為 0，中間點標示為 1，擾動點標示為 0.01。 |
| 我們將隨機森林擬合到該指標。 然後我們來看一下。 我們保存候選空間填充點的預測 |
| 然後我們選取具有該邊界指標最大預測值的候選運行。 |
| 這些是我們使用隨機森林方法添加的。 現在，由於這是多變量方法，如果您的設計空間中有一個區域是多個響應的邊界，那麼它將受到額外的重視和額外的運行。 |
| 所以這裡將這三種類型的點放在一起顯示。 |
| 現在，再次強調吉姆所說的，這需要在多次迭代中發生，因此我們將從邊界瀏覽器工具中收集這些信息 |
| 然後將其連接回原始資料集。 然後在我們得到這些回應後，重新運行邊界探索器，它將 |
| 不斷迭代，放大邊界和影響，甚至可能找到更多邊界。 所以擾動點是最有用的 |
| 對於仍在探索空間的早期迭代，它們更加分散，並且隨機森林方法更適合後期迭代，因為 |
| 它將有更多可用的中點，因為它不僅使用當前迭代中的中點，還使用先前記錄的中點。 我們在資料表中有一個列記錄了新增的點的類型。 所以我們也將使用之前的所有中點。 |
| 因此，如果我們將我們一直在尋找階躍函數的範例的表面圖放在其中，我們可以看到我們的新點、中點和擾動點都沿著懸崖落下，這是邊界，這就是我們想要的查看。 |
| 因此，使用者介面的最後兩個選項或指示這些間隙填充運行，我們還可以要求它以全局最小最大為目標或匹配任何連續因子的目標（如果將其設定為列屬性）。 |
| 這裡僅展示最後一個範例，我們在這個範例中將這兩個峽谷穿過一個平面，並在它們的交叉點處有一個深井。 |
| 我們已經運行了初始空間填充點，這些點是為了了解響應而顯示的。 如果我們運行邊界瀏覽器工具的兩次迭代， |
| 這是所有新點放置的地方，我們可以看到這兩條線中間的間隙。 這些差距是什麼？ |
| 如果我們看一下表面圖，這些間隙就是峽谷底部，實際上並不陡峭。 所以它是平坦的，即使在一個小區域內， |
| 但所有這些點，所有這些中間點， |
| 不是放置在飛機上，而是放置在陡峭的懸崖上，這正是我們想要的地方。 在這裡，我們打開和關閉最小點，您可以看到這些點正在觸及井底。 所以我們也能夠以最低限度為目標。 |
| 所以我們的工具呈現了兩個不同的、兩個離散的 |
| 選項，新工具。 我們希望間隙填充可用於任何為連續因子設定編碼屬性的資料表。 |
| 然後，邊界瀏覽器工具可用於添加、執行不單獨查看因子空間的運行，但它們會查看響應以瞄準高梯度...高變化區域以添加額外的運行。 |
