[論文レビュー] Bayesian Subset Simulation: a kriging-based subset simulation algorithm for the estimation of small probabilities of failure

Ling Li, Julien Bect+1 more|arXiv (Cornell University)|Jul 9, 2012

Advanced Multi-Objective Optimization AlgorithmsComputer Science参考文献 36被引用数 20

ひとこと要約

本稿では、ベイジアンサブセットシミュレーション（BSS）を提案する。BSSは、クリギングに基づくアルゴリズムであり、サブセットシミュレーションと逐次ベイジアン実験設計を組み合わせることで、高価なコンピュータモデルの評価回数を著しく削減しながら、小さな破壊確率を推定する。ガウス過程モデルを用いて適応的サンプリングをガイドすることで、標準的なサブセットシミュレーションにおける4,600回の関数評価を平均104回に削減したが、バイアスと変動係数は低く保った。

ABSTRACT

The estimation of small probabilities of failure from computer simulations is a classical problem in engineering, and the Subset Simulation algorithm proposed by Au & Beck (Prob. Eng. Mech., 2001) has become one of the most popular method to solve it. Subset simulation has been shown to provide significant savings in the number of simulations to achieve a given accuracy of estimation, with respect to many other Monte Carlo approaches. The number of simulations remains still quite high however, and this method can be impractical for applications where an expensive-to-evaluate computer model is involved. We propose a new algorithm, called Bayesian Subset Simulation, that takes the best from the Subset Simulation algorithm and from sequential Bayesian methods based on kriging (also known as Gaussian process modeling). The performance of this new algorithm is illustrated using a test case from the literature. We are able to report promising results. In addition, we provide a numerical study of the statistical properties of the estimator.

研究の動機と目的

• 性能関数が高価なコンピュータモデルであるシステムにおける、小さな破壊確率の推定という課題に対処すること。
• 標準的なサブセットシミュレーションおよびモンテカルロ法と比較して、必要な関数評価回数を削減すること。
• クリギングに基づく逐次設計をサブセットシミュレーションフレームワークに統合することで、計算効率を向上させること。
• サンプリング回数を減らしても、破壊確率推定値のバイアスと分散を低く保つこと。
• 統計的に妥当で、入力空間の重要な領域に集中する適応的サンプリング戦略を提供すること。

提案手法

• 中間のしきい値を用いて、小さな破壊確率を条件付き確率の積に分解し、サブセットシミュレーションの枠組みに従う。
• 性能関数をモデル化するために、マトérn共分散関数を用いたガウス過程事前分布を用い、破壊領域における不確実性の定量化を可能にする。
• 適応的サンプリング戦略（SUR）により、情報量の増加が最大となる新たな評価点を選択し、特に破壊しきい値付近の領域に注目する。
• 各条件付き確率がおおよそ0.1になるように、中間のしきい値を適応的に選択する基準を用いる。
• ガウス分布を提案分布とするギブスサンプリングを用いて、現在の破壊集合内からサンプルを生成し、クリギング予測が新たな点の選定をガイドする。
• 各新しい評価後にREMLを用いて共分散パラメータを再推定し、モデルの適応性を確保する。

実験結果

リサーチクエスチョン

• RQ1 クリギングに基づく適応的サンプリングは、小さな破壊確率を推定するために必要な高価な関数評価回数を著しく削減できるか？
• RQ2 ベイジアンサブセットシミュレーションの性能は、標準的なサブセットシミュレーションおよびモンテカルロ法と比較して、バイアス、分散、計算コストの観点でどう異なるか？
• RQ3 サブセットシミュレーションに逐次設計を統合することで、シミュレーション回数を減らしても統計的信頼性を維持できるか？
• RQ4 適応的サンプリングは、破壊確率推定値の収束性と精度にどのような影響を与えるか？
• RQ5 提案手法は、100回未満の関数評価で、高次元または複雑な破壊領域においても信頼性のある推定を達成できるか？

主な発見

• ベイジアンサブセットシミュレーション（BSS）は、標準的なサブセットシミュレーションにおける平均4,600回の関数評価を、50回の実行で94～109回の範囲にまで削減した。
• BSSによる推定破壊確率は3.7020 × 10⁻⁵であり、基準モンテカルロ値の3.8500 × 10⁻⁵と比較して、相対バイアスは4.4%であった。
• BSSの変動係数は16.7%であり、標準的なサブセットシミュレーションの63.2%と比べて著しく低く、少ないサンプル数でも高い精度を示した。
• アルゴリズムは、最小限の計算コストで高い精度を達成し、クリギングに基づく適応的サンプリングが入力空間の情報量の多い領域を効果的に標本化できることを示した。
• 実験設計の結果、評価が破壊しきい値付近に集中していることが確認され、アルゴリズムが最も必要な領域にサンプリングを集中できることを裏付けた。
• オンライン共分散パラメータの再推定にREMLを用いることで、モデルの忠実性が向上し、各実行間で安定した性能が得られた。