論文の概要: Conservative Software Reliability Assessments Using Collections of Bayesian Inference Problems

• arxiv url: http://arxiv.org/abs/2511.07038v1
• Date: Mon, 10 Nov 2025 12:36:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 21:18:45.241862
• Title: Conservative Software Reliability Assessments Using Collections of Bayesian Inference Problems
• Title（参考訳）: ベイズ推論問題集を用いた保守的ソフトウェア信頼性評価
• Authors: Kizito Salako, Rabiu Tsoho Muhammad,
• Abstract要約: ソフトウェア障害の発生をモデル化するために、Bernoulliプロセスを使用します。 ソフトウェアが将来失敗することなく動作している最悪の後続予測確率を明示的に決定する。 この研究は、強ベイズ的推論結果といわゆる保守的ベイズ的推論方法を拡張する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: When using Bayesian inference to support conservative software reliability assessments, it is useful to consider a collection of Bayesian inference problems, with the aim of determining the worst-case value (from this collection) for a posterior predictive probability that characterizes how reliable the software is. Using a Bernoulli process to model the occurrence of software failures, we explicitly determine (from collections of Bayesian inference problems) worst-case posterior predictive probabilities of the software operating without failure in the future. We deduce asymptotic properties of these conservative posterior probabilities and their priors, and illustrate how to use these results in assessments of safety-critical software. This work extends robust Bayesian inference results and so-called conservative Bayesian inference methods.
• Abstract（参考訳）: ベイズ推論を用いて、保守的なソフトウェア信頼性評価をサポートする場合、そのソフトウェアがどれほど信頼性が高いかを特徴付ける後述の予測確率に対して(このコレクションから)最悪のケース値を決定することを目的として、ベイズ推論問題の集合を考えるのが有用である。 Bernoulliプロセスを用いて、ソフトウェア障害の発生をモデル化し、(ベイズ推論問題のコレクションから)ソフトウェアが将来失敗することなく動作する最悪の後続予測確率を明示的に決定する。 本研究は,これらの保守的後部確率とその先行特性の漸近特性を推定し,これらの結果を安全クリティカルソフトウェアの評価に用いる方法を説明する。 この研究は、強ベイズ的推論結果といわゆる保守的ベイズ的推論方法を拡張する。

関連論文リスト

• Robust Experimental Design via Generalised Bayesian Inference [19.76344805798142]
  Generalized Bayesian Optimal Experimental Design (GBOED) は、Gibs推論を実験設計に拡張したものである。 拡張情報理論フレームワークを用いて,ギブズ予測情報ゲインという新たな獲得関数を導出する(Gibbs EIG)。
  論文  参考訳（メタデータ） (2025-11-10T22:25:01Z)
• COIN: Uncertainty-Guarding Selective Question Answering for Foundation Models with Provable Risk Guarantees [51.5976496056012]
  COINは、統計的に有効な閾値を校正し、質問毎に1つの生成された回答をフィルタリングする不確実性保護選択フレームワークである。 COINはキャリブレーションセット上で経験的誤差率を推定し、信頼区間法を適用して真誤差率に高い確率上界を確立する。 リスク管理におけるCOINの堅牢性,許容回答を維持するための強いテストタイムパワー,キャリブレーションデータによる予測効率を実証する。
  論文  参考訳（メタデータ） (2025-06-25T07:04:49Z)
• Efficient Incremental Belief Updates Using Weighted Virtual Observations [2.7195102129095003]
  モンテカルロ推論の文脈における漸進的信念更新問題に対するアルゴリズム的解を提案する。 このアプローチの効率性と堅牢性を示すために,多くの実践例とケーススタディにソリューションを実装し,適用する。
  論文  参考訳（メタデータ） (2024-02-10T12:48:49Z)
• Calibrating Neural Simulation-Based Inference with Differentiable Coverage Probability [50.44439018155837]
  ニューラルモデルのトレーニング目的に直接キャリブレーション項を含めることを提案する。 古典的なキャリブレーション誤差の定式化を緩和することにより、エンドツーエンドのバックプロパゲーションを可能にする。 既存の計算パイプラインに直接適用でき、信頼性の高いブラックボックス後部推論が可能である。
  論文  参考訳（メタデータ） (2023-10-20T10:20:45Z)
• Adversarial robustness of amortized Bayesian inference [3.308743964406687]
  償却ベイズ推論は、当初シミュレーションデータ上の推論ネットワークのトレーニングに計算コストを投資することを目的としている。 観測対象のほとんど認識不能な摂動は、予測された後部および非現実的な後部予測標本に劇的な変化をもたらす可能性があることを示す。 本研究では,条件密度推定器のフィッシャー情報をペナライズした計算効率の高い正規化手法を提案する。
  論文  参考訳（メタデータ） (2023-05-24T10:18:45Z)
• Margin theory for the scenario-based approach to robust optimization in high dimension [0.0]
  本稿では、ロバストな最適化のためのシナリオアプローチを扱う。 これは、問題の不確実性によって引き起こされる可能性のある無限個の制約のランダムサンプリングに依存する。
  論文  参考訳（メタデータ） (2023-03-07T13:33:46Z)
• Double Robust Bayesian Inference on Average Treatment Effects [2.458652618559425]
  不整合下での平均処理効果(ATE)に対する二重頑健なベイズ推定法を提案する。 新しいベイズ的アプローチでは、まず条件付き平均関数の事前分布を調整し、得られた ATE の後方分布を補正する。
  論文  参考訳（メタデータ） (2022-11-29T15:32:25Z)
• Learning Robust Output Control Barrier Functions from Safe Expert Demonstrations [50.37808220291108]
  本稿では,専門家によるデモンストレーションの部分的な観察から,安全な出力フィードバック制御法を考察する。 まず,安全性を保証する手段として,ロバスト出力制御バリア関数(ROCBF)を提案する。 次に、安全なシステム動作を示す専門家による実証からROCBFを学習するための最適化問題を定式化する。
  論文  参考訳（メタデータ） (2021-11-18T23:21:00Z)
• Bayesian Bellman Operators [55.959376449737405]
  ベイズ強化学習(RL)の新しい視点について紹介する。 我々のフレームワークは、ブートストラップが導入されたとき、モデルなしアプローチは実際には値関数ではなくベルマン作用素よりも後部を推測する、という洞察に動機づけられている。
  論文  参考訳（メタデータ） (2021-06-09T12:20:46Z)
• Probabilistic robust linear quadratic regulators with Gaussian processes [73.0364959221845]
  ガウス過程(GP)のような確率モデルは、制御設計に続く使用のためのデータから未知の動的システムを学ぶための強力なツールです。 本稿では、確率的安定性マージンに関して堅牢なコントローラを生成する線形化GPダイナミクスのための新しいコントローラ合成について述べる。
  論文  参考訳（メタデータ） (2021-05-17T08:36:18Z)
• Handling Epistemic and Aleatory Uncertainties in Probabilistic Circuits [18.740781076082044]
  確率的推論の大規模クラスを扱うアプローチの背後にある独立性の仮定を克服する手法を提案する。 ベイズ学習のアルゴリズムは、完全な観察にもかかわらず、スパースから提供します。 そのような回路の各リーフは、不確実な確率を表すエレガントなフレームワークを提供するベータ分散ランダム変数でラベル付けされています。
  論文  参考訳（メタデータ） (2021-02-22T10:03:15Z)
• Learning Control Barrier Functions from Expert Demonstrations [69.23675822701357]
  制御障壁関数(CBF)に基づく安全な制御器合成のための学習に基づくアプローチを提案する。 最適化に基づくCBFの学習手法を解析し、基礎となる力学系のリプシッツ仮定の下で証明可能な安全保証を享受する。 私たちの知る限りでは、これらはデータから確実に安全な制御障壁関数を学習する最初の結果です。
  論文  参考訳（メタデータ） (2020-04-07T12:29:06Z)

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。