論文の概要: AK-MCS-C2 : Active Kriging Monte Carlo Simulation method with conformal certification for failure probability estimation
- arxiv url: http://arxiv.org/abs/2606.20191v1
- Date: Thu, 18 Jun 2026 13:02:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-19 18:23:39.864721
- Title: AK-MCS-C2 : Active Kriging Monte Carlo Simulation method with conformal certification for failure probability estimation
- Title（参考訳）: AK-MCS-C2 : 故障確率推定のための共形証明付きアクティブクリグモンテカルロシミュレーション法
- Authors: Edgar Jaber, Vincent Chabridon, Mathilde Mougeot,
- Abstract要約: 構造信頼性解析における故障確率推定のための新しいアクティブラーニングフレームワークを提案する。
提案手法は,小サンプル設定やサロゲートモデルに特化して設計した適応型クロスコンフォーマル戦略を用いている。
標準のAK-MCS法とは異なり、提案フレームワークは予測誤差の分布のない保証を提供し、極限状態表面付近でより信頼性の高いサンプルの分類を行う。
- 参考スコア（独自算出の注目度）: 1.491109220586182
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We introduce a novel active-learning framework for failure probability estimation in structural reliability analysis that integrates Active Kriging Monte Carlo simulation with conformal prediction. The proposed approach employs an adaptive cross-conformal strategy specifically designed for small-sample settings and kriging surrogate models using the J+GP conformal estimator. Unlike standard AK-MCS methods, the proposed framework provides distribution-free guarantees on prediction errors, leading to more reliable classification of samples near the limit-state surface. This improved uncertainty quantification enhances both the accuracy and robustness of failure probability estimates, especially for rare-event regimes where such efficiency is crucial. Reproducible numerical results illustrate the effectiveness of the method and also compare it to classical approaches on well-established benchmarks.
- Abstract（参考訳）: 本稿では,モンテカルロシミュレーションを共形予測と統合した構造信頼性解析において,故障確率推定のための新しいアクティブラーニングフレームワークを提案する。
提案手法は,J+GPコンフォメータを用いた小サンプル設定とサロゲートモデルのクリグに特化して設計された適応型クロスコンフォーマル戦略を用いる。
標準のAK-MCS法とは異なり、提案フレームワークは予測誤差の分布のない保証を提供し、極限状態表面付近でより信頼性の高いサンプルの分類を行う。
この改善された不確実性定量化は、特にそのような効率が不可欠である希少な状況において、失敗確率推定の正確性と堅牢性の両方を高める。
再現可能な数値結果は、この手法の有効性を示し、また、確立されたベンチマーク上の古典的なアプローチと比較する。
関連論文リスト
- A robust and adaptive MPC formulation for Gaussian process models [2.6661512675766037]
不確実な非線形システムに対する頑健で適応的なモデル予測制御(MPC)フレームワークを提案する。
MPC の定式化に取り入れた指標を用いて,GP モデルのロバストな予測を導出する。
本研究では, モデル地盤効果を考慮した平面四重項の数値的な例を示す。
論文 参考訳（メタデータ） (2025-07-02T19:27:14Z) - Rectifying Conformity Scores for Better Conditional Coverage [75.73184036344908]
本稿では,分割共形予測フレームワーク内で信頼セットを生成する新しい手法を提案する。
本手法は,任意の適合度スコアのトレーニング可能な変換を行い,条件付き範囲を正確に確保しつつ,条件付き範囲を改善する。
論文 参考訳（メタデータ） (2025-02-22T19:54:14Z) - From Conformal Predictions to Confidence Regions [1.4272411349249627]
モデルパラメータに対する信頼領域を確立するために,モデル出力に共形予測間隔を組み合わせたCCRを導入する。
本稿では,雑音に対する最小限の仮定の下でのカバレッジ保証について述べる。
本手法は, 完全あるいはクロスコンフォーマルなアプローチを含む, 分割共形予測とブラックボックス手法の両方に適用可能である。
論文 参考訳（メタデータ） (2024-05-28T21:33:12Z) - Conformal Convolution and Monte Carlo Meta-learners for Predictive Inference of Individual Treatment Effects [2.8927696200109527]
潜在的な結果の完全な予測分布と個別治療効果(ITE)の2つの新しい手法を提案する。
我々のアプローチは、重み付けされた共形予測システムと潜在的な結果分布の分析的畳み込み、あるいはモンテカルロサンプリングを組み合わせる。
潜在的な結果予測分布の生成を可能にする他のアプローチとは対照的に、我々のアプローチはモデル非依存的で普遍的であり、確率的キャリブレーションの有限サンプル保証が伴う。
論文 参考訳（メタデータ） (2024-02-07T14:35:25Z) - CC-Cert: A Probabilistic Approach to Certify General Robustness of
Neural Networks [58.29502185344086]
安全クリティカルな機械学習アプリケーションでは、モデルを敵の攻撃から守ることが不可欠である。
意味的に意味のある入力変換に対して、ディープラーニングモデルの証明可能な保証を提供することが重要である。
我々はChernoff-Cramer境界に基づく新しい普遍確率的証明手法を提案する。
論文 参考訳（メタデータ） (2021-09-22T12:46:04Z) - 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) - Amortized Conditional Normalized Maximum Likelihood: Reliable Out of
Distribution Uncertainty Estimation [99.92568326314667]
本研究では,不確実性推定のための拡張性のある汎用的アプローチとして,償却条件正規化最大値(ACNML)法を提案する。
提案アルゴリズムは条件付き正規化最大度(CNML)符号化方式に基づいており、最小記述長の原理に従って最小値の最適特性を持つ。
我々は、ACNMLが、分布外入力のキャリブレーションの観点から、不確実性推定のための多くの手法と好意的に比較することを示した。
論文 参考訳（メタデータ） (2020-11-05T08:04:34Z) - Evaluating probabilistic classifiers: Reliability diagrams and score
decompositions revisited [68.8204255655161]
確率的に統計的に一貫性があり、最適に結合し、再現可能な信頼性図を自動生成するCORP手法を導入する。
コーパスは非パラメトリックアイソトニック回帰に基づいており、プール・アジャセント・ヴァイオレータ(PAV)アルゴリズムによって実装されている。
論文 参考訳（メタデータ） (2020-08-07T08:22:26Z) - Providing reliability in Recommender Systems through Bernoulli Matrix
Factorization [63.732639864601914]
本稿では,予測値と信頼性値の両方を提供するためにBernoulli Matrix Factorization (BeMF)を提案する。
BeMFはメモリベースのフィルタリングではなく、モデルベースの協調フィルタリングに作用する。
予測の信頼性が高ければ高いほど、それが間違っているという責任は少なくなる。
論文 参考訳（メタデータ） (2020-06-05T14:24:27Z) - Efficient Ensemble Model Generation for Uncertainty Estimation with
Bayesian Approximation in Segmentation [74.06904875527556]
アンサンブルセグメンテーションモデルを構築するための汎用的で効率的なセグメンテーションフレームワークを提案する。
提案手法では,層選択法を用いて効率よくアンサンブルモデルを生成することができる。
また,新たな画素単位の不確実性損失を考案し,予測性能を向上する。
論文 参考訳（メタデータ） (2020-05-21T16:08:38Z)
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。