論文の概要: Repulsive normalizing flow mixtures for adaptive importance sampling: reliability analysis of complex systems

• arxiv url: http://arxiv.org/abs/2609.21160v1
• Date: Fri, 18 Sep 2026 00:03:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:16.799621
• Title: Repulsive normalizing flow mixtures for adaptive importance sampling: reliability analysis of complex systems
• Title（参考訳）: 適応的重要度サンプリングのための反発型正規化流混合体:複雑系の信頼性解析
• Abstract要約: FAMISはフローベースの多重重要サンプリング(MIS)フレームワークであり、希少事象推定のための正規化フロー提案の不均一な混合を学習する。 FAMISはトレーニングサンプルの少ない準最適IS密度とモデル評価を正確に近似する。
• 参考スコア（独自算出の注目度）: 5.418605375476407
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate rare-event estimation can be computationally expensive. Classical adaptive importance sampling (IS) schemes often rely on restrictive proposal families and can struggle under multiple failure modes. We propose FAMIS, a flow-based multiple importance sampling (MIS) framework that learns a nonuniform mixture of normalizing flow proposals for rare event estimation. The method does not require presampled failure data or prior knowledge of the number, location, or geometry of the failure modes. Instead, it adaptively learns the mixture through sequential evaluations of the limit state function. To guide training toward the failure domain, FAMIS uses a smooth rare-event surrogate and a tempered target sequence. A defensive exploration mixture improves early-stage coverage, a Rao Blackwellized update adapts the mixture weights, and a Jensen-Shannon repulsion term promotes separation and diversity among the base components. The final failure probability is computed with a deterministic-mixture MIS estimator. Numerical experiments demonstrate that FAMIS accurately approximates quasi-optimal IS densities with fewer training samples and model evaluations, providing stable variance reduction across complex reliability problems.
• Abstract（参考訳）: 正確なレアイベント推定は計算コストがかかる。 古典的な適応的重要度サンプリング(IS)スキームは、しばしば制限された提案ファミリに依存し、複数の障害モードの下で苦労することがある。 本稿では,フローベース多重重要サンプリング(MIS)フレームワークであるFAMISを提案する。 この方法は、事前サンプリングされた障害データや、障害モードの数、位置、形状に関する事前の知識を必要としない。 代わりに、リミット状態関数の逐次評価を通じて、混合物を適応的に学習する。 FAMISは、障害領域へのトレーニングをガイドするために、スムーズな希土類サロゲートとテンパレートされたターゲットシーケンスを使用する。 防御的な探査混合物は早期のカバレッジを改善し、ラオ・ブラックウェル化更新は混合重量に適応し、ジェンセン・シャノン反発項はベースコンポーネント間の分離と多様性を促進する。 最終故障確率は、決定論的混合MIS推定器で計算される。 数値実験により、FAMISは準最適IS密度をより少ないトレーニングサンプルとモデル評価で正確に近似し、複雑な信頼性問題に対して安定な分散還元を与えることを示した。

関連論文リスト

• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• Diff-GNSS: Diffusion-based Pseudorange Error Estimation [4.275603853123926]
  グローバル・ナビゲーション・サテライト・システムズ(GNSS)は、信頼できる都市の位置決めに不可欠である。 マルチパスと非線形受信は、しばしば精度を低下させる大きな測定誤差をもたらす。 擬似乱数誤差を予測・補償する学習手法が注目されているが,その性能は複雑な誤差分布によって制限されている。 Diff-GNSSは,条件付き拡散モデルを用いて複雑な分布を捕捉する粗粒度測定(擬似サテライト)の誤差推定フレームワークである。
  論文  参考訳（メタデータ） (2025-09-22T06:57:06Z)
• Rare Event Probability Learning by Normalizing Flows [27.34331961951239]
  稀な事象は発生確率が低いことによって定義される。 本研究では,NOFISと呼ばれる重要度サンプリングの正規化を提案する。 NOFIS法の有効性は, 総合的な定性的可視化によって検証される。
  論文  参考訳（メタデータ） (2023-10-29T21:59:33Z)
• Deep Anti-Regularized Ensembles provide reliable out-of-distribution uncertainty quantification [4.750521042508541]
  深層アンサンブルは、しばしばトレーニングドメインの外で過度に信頼された見積を返す。 トレーニングデータに適合する大きな重みを持つネットワークの集合は、これらの2つの目的を満たす可能性が高いことを示す。 提案手法の理論的枠組みを導出し,提案手法を「水充填問題」とみなすことができることを示す。
  論文  参考訳（メタデータ） (2023-04-08T15:25:12Z)
• UMIX: Improving Importance Weighting for Subpopulation Shift via Uncertainty-Aware Mixup [44.0372420908258]
  サブポピュレーションシフトは、多くの現実世界の機械学習アプリケーションに大きく存在する。 重要度再重み付けは、サブポピュレーションシフト問題に対処するための通常の方法である。 オーバーフィッティング問題を緩和するために,不確実性を考慮した混合(Umix)を提案する。
  論文  参考訳（メタデータ） (2022-09-19T11:22:28Z)
• A general framework for multi-step ahead adaptive conformal heteroscedastic time series forecasting [0.0]
  本稿では,適応アンサンブルバッチ多出力多出力共形量子化回帰(AEnbMIMOCQR)と呼ばれる新しいモデル非依存アルゴリズムを提案する。 これにより、予測者は、固定された特定された誤発見率に対して、分布のない方法で、複数段階の事前予測間隔を生成できる。 本手法は, 整合予測の原理に基づいているが, データの分割は不要であり, データの交換ができない場合でも, ほぼ正確なカバレッジを提供する。
  論文  参考訳（メタデータ） (2022-07-28T16:40:26Z)
• RegMixup: Mixup as a Regularizer Can Surprisingly Improve Accuracy and Out Distribution Robustness [94.69774317059122]
  学習目的として使うのではなく、標準のクロスエントロピー損失に対する追加の正則化剤として利用すれば、良好なミックスアップの有効性がさらに向上できることが示される。 この単純な変更は、精度を大幅に改善するだけでなく、Mixupの予測不確実性推定の品質を大幅に改善する。
  論文  参考訳（メタデータ） (2022-06-29T09:44:33Z)
• Distributionally Robust Models with Parametric Likelihood Ratios [123.05074253513935]
  3つの単純なアイデアにより、より広いパラメトリックな確率比のクラスを用いてDROでモデルを訓練することができる。 パラメトリック逆数を用いてトレーニングしたモデルは、他のDROアプローチと比較して、サブポピュレーションシフトに対して一貫して頑健であることがわかった。
  論文  参考訳（メタデータ） (2022-04-13T12:43:12Z)
• 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)
• 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)
• Uncertainty Estimation Using a Single Deep Deterministic Neural Network [66.26231423824089]
  本稿では,1回のフォワードパスで,テスト時に分布データポイントの発見と拒否が可能な決定論的ディープモデルを訓練する手法を提案する。 我々は,新しい損失関数とセントロイド更新方式を用いて,これらをスケールトレーニングし,ソフトマックスモデルの精度に適合させる。
  論文  参考訳（メタデータ） (2020-03-04T12:27:36Z)

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。