論文の概要: Reliability analysis of discrete-state performance functions via
adaptive sequential sampling with detection of failure surfaces
- arxiv url: http://arxiv.org/abs/2208.02475v1
- Date: Thu, 4 Aug 2022 05:59:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-05 13:02:59.614482
- Title: Reliability analysis of discrete-state performance functions via
adaptive sequential sampling with detection of failure surfaces
- Title（参考訳）: 故障面検出を伴う適応逐次サンプリングによる離散状態性能関数の信頼性解析
- Authors: Miroslav Vo\v{r}echovsk\'y
- Abstract要約: 本稿では,レアイベント確率推定のための新しい効率的でロバストな手法を提案する。
この手法は、複数の障害タイプの確率を推定することができる。
この情報に対応して、推定確率の精度を高めることができる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The paper presents a new efficient and robust method for rare event
probability estimation for computational models of an engineering product or a
process returning categorical information only, for example, either success or
failure. For such models, most of the methods designed for the estimation of
failure probability, which use the numerical value of the outcome to compute
gradients or to estimate the proximity to the failure surface, cannot be
applied. Even if the performance function provides more than just binary
output, the state of the system may be a non-smooth or even a discontinuous
function defined in the domain of continuous input variables. In these cases,
the classical gradient-based methods usually fail. We propose a simple yet
efficient algorithm, which performs a sequential adaptive selection of points
from the input domain of random variables to extend and refine a simple
distance-based surrogate model. Two different tasks can be accomplished at any
stage of sequential sampling: (i) estimation of the failure probability, and
(ii) selection of the best possible candidate for the subsequent model
evaluation if further improvement is necessary. The proposed criterion for
selecting the next point for model evaluation maximizes the expected
probability classified by using the candidate. Therefore, the perfect balance
between global exploration and local exploitation is maintained automatically.
The method can estimate the probabilities of multiple failure types. Moreover,
when the numerical value of model evaluation can be used to build a smooth
surrogate, the algorithm can accommodate this information to increase the
accuracy of the estimated probabilities. Lastly, we define a new simple yet
general geometrical measure of the global sensitivity of the rare-event
probability to individual variables, which is obtained as a by-product of the
proposed algorithm.
- Abstract（参考訳）: 本稿では,工学製品の計算モデルや,例えば,成功か失敗かといったカテゴリ情報のみを返すプロセスに対して,新しい効率的でロバストな確率推定手法を提案する。
このようなモデルでは、結果の数値を用いて勾配を計算したり、故障面に近づいた値を推定するような、故障確率の推定のために設計された手法は、ほとんど適用できない。
パフォーマンス関数がバイナリ出力以上のものを提供しても、システムの状態は、連続入力変数の領域で定義された非スムースあるいは不連続関数であってもよい。
この場合、古典的勾配に基づく手法は通常失敗する。
本研究では,確率変数の入力領域からの点の逐次適応的選択を行い,簡易な距離ベースサーロゲートモデルの拡張と洗練を行う,単純かつ効率的なアルゴリズムを提案する。
逐次サンプリングのどの段階でも、2つの異なるタスクを実行できる。
一 故障確率の推定、及び
(ii)さらなる改善が必要であれば、後続のモデル評価に最適な候補を選択すること。
提案するモデル評価のための次点選択基準は、候補を用いて分類される期待確率を最大化する。
そのため、グローバル探査と地域搾取との完全なバランスが自動的に維持される。
この方法は、複数の障害タイプの確率を推定することができる。
さらに、モデル評価の数値を用いてスムーズなサロゲートを構築することができれば、この情報に対応して推定確率の精度を向上させることができる。
最後に,提案アルゴリズムの副産物として得られた各変数に対するレアイベント確率の大域的感度の新しい単純かつ一般的な幾何学的尺度を定義する。
関連論文リスト
- Accelerated zero-order SGD under high-order smoothness and overparameterized regime [79.85163929026146]
凸最適化問題を解くための新しい勾配のないアルゴリズムを提案する。
このような問題は医学、物理学、機械学習で発生する。
両種類の雑音下で提案アルゴリズムの収束保証を行う。
論文 参考訳（メタデータ） (2024-11-21T10:26:17Z) - Trust-Region Sequential Quadratic Programming for Stochastic Optimization with Random Models [57.52124921268249]
本稿では,1次と2次の両方の定常点を見つけるための信頼逐次準計画法を提案する。
本手法は, 1次定常点に収束するため, 対象対象の近似を最小化して定義された各イテレーションの勾配ステップを計算する。
2階定常点に収束するため,本手法は負曲率を減少するヘッセン行列を探索する固有ステップも計算する。
論文 参考訳（メタデータ） (2024-09-24T04:39:47Z) - Embedding generalization within the learning dynamics: An approach based-on sample path large deviation theory [0.0]
本研究では,持続的視点から手法を利用する経験的リスク摂動に基づく学習問題を考察する。
大規模偏差のFreidlin-Wentzell理論に基づく小雑音限界の推定を行う。
また、最適点推定に繋がる変分問題を解く計算アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-08-04T23:31:35Z) - Anomaly Detection Under Uncertainty Using Distributionally Robust
Optimization Approach [0.9217021281095907]
異常検出は、大多数のパターンに従わないデータポイントを見つける問題として定義される。
1クラスのサポートベクトルマシン(SVM)メソッドは、通常のデータポイントと異常を区別するための決定境界を見つけることを目的としている。
誤分類の確率が低い分布的に頑健な確率制約モデルを提案する。
論文 参考訳（メタデータ） (2023-12-03T06:13:22Z) - Learning to Bound Counterfactual Inference in Structural Causal Models
from Observational and Randomised Data [64.96984404868411]
我々は、従来のEMベースのアルゴリズムを拡張するための全体的なデータの特徴付けを導出する。
新しいアルゴリズムは、そのような混合データソースからモデルパラメータの(不特定性)領域を近似することを学ぶ。
反実的な結果に間隔近似を与え、それが特定可能な場合の点に崩壊する。
論文 参考訳（メタデータ） (2022-12-06T12:42:11Z) - Robust leave-one-out cross-validation for high-dimensional Bayesian
models [0.0]
レリーブ・ワン・アウト・クロスバリデーション (LOO-CV) は、アウト・オブ・サンプル予測精度を推定するための一般的な手法である。
そこで本研究では,LOO-CV基準を計算するための新しい混合推定器を提案し,解析する。
提案手法は古典的手法の単純さと計算的利便性を保ちながら, 得られた推定値の有限分散を保証している。
論文 参考訳（メタデータ） (2022-09-19T17:14:52Z) - Scalable Marginal Likelihood Estimation for Model Selection in Deep
Learning [78.83598532168256]
階層型モデル選択は、推定困難のため、ディープラーニングではほとんど使われない。
本研究は,検証データが利用できない場合,限界的可能性によって一般化が向上し,有用であることを示す。
論文 参考訳（メタデータ） (2021-04-11T09:50:24Z) - New Algorithms And Fast Implementations To Approximate Stochastic
Processes [0.0]
モデリングプロセスの効率的な近似を求めるために,新しいアルゴリズムと高速な実装を提案する。
ゴールは常に有限モデルを見つけることであり、これは実際のデータプロセスに関する与えられた知識をできるだけ正確に表現するものである。
論文 参考訳（メタデータ） (2020-12-01T06:14:16Z) - Variance based sensitivity analysis for Monte Carlo and importance
sampling reliability assessment with Gaussian processes [0.0]
本稿では,2つの不確実性源に対する故障推定器の感度を定量的に評価する手法を提案する。
この分析により、故障確率推定に関連する全誤差を制御でき、推定の精度基準を提供する。
本手法は, モンテカルロ法と重要サンプリング法の両方で提案され, 希少事象確率の推定を改善することを目的としている。
論文 参考訳（メタデータ） (2020-11-30T17:06:28Z) - Goal-directed Generation of Discrete Structures with Conditional
Generative Models [85.51463588099556]
本稿では,強化学習目標を直接最適化し,期待される報酬を最大化するための新しいアプローチを提案する。
提案手法は、ユーザ定義プロパティを持つ分子の生成と、所定の目標値を評価する短いピソン表現の同定という2つのタスクで検証する。
論文 参考訳（メタデータ） (2020-10-05T20:03:13Z) - Instability, Computational Efficiency and Statistical Accuracy [101.32305022521024]
我々は,人口レベルでのアルゴリズムの決定論的収束率と,$n$サンプルに基づく経験的対象に適用した場合の(不安定性)の間の相互作用に基づいて,統計的精度を得るフレームワークを開発する。
本稿では,ガウス混合推定,非線形回帰モデル,情報的非応答モデルなど,いくつかの具体的なモデルに対する一般結果の応用について述べる。
論文 参考訳（メタデータ） (2020-05-22T22:30:52Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。