論文の概要: Reliability Sensitivity with Response Gradient

• arxiv url: http://arxiv.org/abs/2510.09315v1
• Date: Fri, 10 Oct 2025 12:14:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 00:38:48.894937
• Title: Reliability Sensitivity with Response Gradient
• Title（参考訳）: 応答勾配を考慮した信頼性感度
• Authors: Siu-Kui Au, Zi-Jun Cao,
• Abstract要約: エンジニアリングのリスクは、失敗する可能性とそれが起こるシナリオに関係しています。 システムパラメータの変化に対する失敗確率の感度は、リスクインフォームドな意思決定に関係している。 コンピューターの感度は 確率自体よりも 難しいレベルが少なくとも1つあります
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Engineering risk is concerned with the likelihood of failure and the scenarios when it occurs. The sensitivity of failure probability to change in system parameters is relevant to risk-informed decision making. Computing sensitivity is at least one level more difficult than the probability itself, which is already challenged by a large number of input random variables, rare events and implicit nonlinear `black-box' response. Finite difference with Monte Carlo probability estimates is spurious, requiring the number of samples to grow with the reciprocal of step size to suppress estimation variance. Many existing works gain efficiency by exploiting a specific class of input variables, sensitivity parameters, or response in its exact or surrogate form. For general systems, this work presents a theory and associated Monte Carlo strategy for computing sensitivity using response values and gradients with respect to sensitivity parameters. It is shown that the sensitivity at a given response threshold can be expressed via the expectation of response gradient conditional on the threshold. Determining the expectation requires conditioning on the threshold that is a zero-probability event, but it can be resolved by the concept of kernel smoothing. The proposed method offers sensitivity estimates for all response thresholds generated in a single Monte Carlo run. It is investigated in a number of examples featuring sensitivity parameters of different nature. As response gradient becomes increasingly available, it is hoped that this work can provide the basis for embedding sensitivity calculations with reliability in the same Monte Carlo run.
• Abstract（参考訳）: エンジニアリングのリスクは、失敗する可能性とそれが起こるシナリオに関係しています。 システムパラメータの変化に対する失敗確率の感度は、リスクインフォームドな意思決定に関係している。 コンピュータの感度は確率自体よりも少なくとも1つのレベルが難しいため、多くの入力ランダム変数、まれな事象、暗黙の非線形な「ブラックボックス」応答に既に挑戦されている。 モンテカルロの確率推定との差は急激であり、推定分散を抑制するためには、ステップサイズの逆数でサンプルの数が増加する必要がある。 既存の多くの研究は、入力変数の特定のクラス、感度パラメータ、あるいは応答を正確にあるいは代理的な形で利用することで効率を上げる。 一般システムにおいて、この研究は、応答値と感度パラメータの勾配を用いて、感度を計算するためのモンテカルロの理論と関連する戦略を示す。 所定の応答閾値における感度は、しきい値上での応答勾配条件の期待によって表現できることが示されている。 期待値を決定するには、ゼロ確率イベントであるしきい値の条件付けが必要であるが、カーネルスムーシングの概念によって解決できる。 提案手法は,モンテカルロ単一ランで発生する全ての応答しきい値に対して感度推定を行う。 異なる性質の感度パラメータを特徴とするいくつかの例について検討した。 応答勾配がますます高くなるにつれて、この研究がモンテカルロでの信頼性の高い感度計算の基盤となることが期待されている。

関連論文リスト

• SMAB: MAB based word Sensitivity Estimation Framework and its Applications in Adversarial Text Generation [10.111657705438654]
  単語レベルの局所(文レベル)とグローバル(集約)の感性を計算するために,感性に基づく多言語帯域幅フレームワーク(SMAB)を導入する。 このアルゴリズムは直感的に高感度かつ低感度な単語をキャプチャする。 また,ゴールドデータがない場合,感度が精度の指標となることを示す。
  論文  参考訳（メタデータ） (2025-02-10T22:46:57Z)
• Indiscriminate Disruption of Conditional Inference on Multivariate Gaussians [60.22542847840578]
  敵対的機械学習の進歩にもかかわらず、敵対者の存在下でのガウスモデルに対する推論は特に過小評価されている。 我々は,意思決定者の条件推論とその後の行動の妨害を希望する自己関心のある攻撃者について,一組の明らかな変数を乱すことで検討する。 検出を避けるため、攻撃者は、破損した証拠の密度によって可否が決定される場合に、攻撃が可否を示すことを望んでいる。
  論文  参考訳（メタデータ） (2024-11-21T17:46:55Z)
• Semiparametric conformal prediction [79.6147286161434]
  ベクトル値の非整合性スコアの結合相関構造を考慮した共形予測セットを構築する。 スコアの累積分布関数(CDF)を柔軟に推定する。 提案手法は,現実の回帰問題に対して,所望のカバレッジと競争効率をもたらす。
  論文  参考訳（メタデータ） (2024-11-04T14:29:02Z)
• How are Prompts Different in Terms of Sensitivity? [50.67313477651395]
  本稿では,関数の感度に基づく包括的即時解析を提案する。 出力に対する入力トークンの関連性に異なるプロンプトがどう影響するかを実証的に示すために、勾配に基づく唾液度スコアを使用する。 本稿では, 感度推定をペナルティ項として組み込んだ感度認識復号法を標準グリーディ復号法で導入する。
  論文  参考訳（メタデータ） (2023-11-13T10:52:01Z)
• Real-time frequency estimation of a qubit without single-shot-readout [1.1796902300802676]
  本稿では,読み出し位相を制御する適応アルゴリズムを提案する。 本稿では,適応プロトコルの追加により,将来的なリアルタイム実験における精度の向上が期待できることを示す。
  論文  参考訳（メタデータ） (2022-10-11T15:35:16Z)
• Dealing with collinearity in large-scale linear system identification using Bayesian regularization [3.04585143845864]
  出力が多くの相関入力の結果である可能性のある大規模線形系と安定系の同定を考察する。 我々は、任意のインパルス応答をゼロ平均ガウス過程の実現としてモデル化するベイズ正規化に基づく戦略を開発する。 次に、コリニアリティに対処し、インパルス応答の後方を効率的に再構築できる新しいマルコフ連鎖モンテカルロスキームを設計する。
  論文  参考訳（メタデータ） (2022-03-25T13:11:26Z)
• Uncertainty Modeling for Out-of-Distribution Generalization [56.957731893992495]
  特徴統計を適切に操作することで、ディープラーニングモデルの一般化能力を向上させることができると論じる。 一般的な手法では、特徴統計を学習した特徴から測定された決定論的値とみなすことが多い。 我々は、学習中に合成された特徴統計を用いて、領域シフトの不確かさをモデル化することにより、ネットワークの一般化能力を向上させる。
  論文  参考訳（メタデータ） (2022-02-08T16:09:12Z)
• Multivariate Probabilistic Regression with Natural Gradient Boosting [63.58097881421937]
  多変量予測分布の条件パラメータを非パラメトリックにモデル化したNatural Gradient Boosting (NGBoost) 手法を提案する。 提案手法は頑健で, 広範囲なチューニングを伴わず, 推定対象分布に対してモジュール構造であり, 既存の手法と比較して競争力がある。
  論文  参考訳（メタデータ） (2021-06-07T17:44:49Z)
• Variable selection for Gaussian process regression through a sparse projection [0.802904964931021]
  本稿では,ガウス過程(GP)レグレッションと統合された新しい変数選択手法を提案する。 パラメータの調整と推定の精度を,選択したベンチマーク手法を用いて評価した。
  論文  参考訳（メタデータ） (2020-08-25T01:06:10Z)

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。