[논문 리뷰] Machine learning-based system reliability analysis with Gaussian Process Regression

Lisang Zhou, Ziqian Luo외 1명|arXiv (Cornell University)|2024. 03. 17.

Software Reliability and Analysis Research인용 수 8

한 줄 요약

본 논문은 Gaussian Process 기반 신뢰도 분석에서 이론적 결과와 최적 학습 전략을 제시하고, Kriging-상관 샘플링과 비상관 샘플링을 비교하며, Bayesian 순차 설계 통찰을 제공한다.

ABSTRACT

Machine learning-based reliability analysis methods have shown great advancements for their computational efficiency and accuracy. Recently, many efficient learning strategies have been proposed to enhance the computational performance. However, few of them explores the theoretical optimal learning strategy. In this article, we propose several theorems that facilitates such exploration. Specifically, cases that considering and neglecting the correlations among the candidate design samples are well elaborated. Moreover, we prove that the well-known U learning function can be reformulated to the optimal learning function for the case neglecting the Kriging correlation. In addition, the theoretical optimal learning strategy for sequential multiple training samples enrichment is also mathematically explored through the Bayesian estimate with the corresponding lost functions. Simulation results show that the optimal learning strategy considering the Kriging correlation works better than that neglecting the Kriging correlation and other state-of-the art learning functions from the literatures in terms of the reduction of number of evaluations of performance function. However, the implementation needs to investigate very large computational resource.

연구 동기 및 목표

• ML 기반 신뢰도 분석에서 학습 전략을 이끌 이론 정리를 개발한다.
• Kriging(설계 샘플 상관)을 가진 경우와 그렇지 않은 경우를 분석한다.
• Kriging 무시 하에서 U-learning을 최적 함수로 재구성한다.
• 손실 함수와 함께 순차적 증강을 위한 Bayesian 기반의 최적 학습을 도출한다.

제안 방법

• 다른 샘플링 상관관계 하에서 ML 기반 신뢰도 분석을 위한 정리들을 형식화하고 증명한다.
• Kriging 상관이 무시될 때 U learning 함수가 최적 함수로 재구성되는 것을 보인다.
• 베이지안 추정치와 손실 함수를 통해 순차적 학습 샘플 증강에 대한 이론적 최적 학습 전략을 도출한다.
• 성능 평가 횟수를 평가하기 위한 시뮬레이션을 사용하여 전략을 비교한다.

실험 결과

연구 질문

• RQ1 설계 샘플 간 Kriging 상관이 고려될 때 신뢰도 분석을 위한 최적 학습 전략은 무엇인가?
• RQ2 Kriging 상관을 무시하는 것이 최적 학습 함수와 성능에 어떤 영향을 미치는가?
• RQ3 Kriging 무시 하에서 U learning 함수를 최적 학습 함수로 재구성할 수 있는가?
• RQ4 베이지안 기반의 순차 샘플 증강이 평가 횟수를 줄이는 데 미치는 영향은 무엇인가?
• RQ5 실무에서 Kriging 정보 기반 전략이 다른 최첨단 학습 함수보다 성능이 우수한가?

주요 결과

• Kriging 상관을 반영하는 최적 학습 전략은 성능 평가 횟수를 줄인다.
• Kriging 상관 무시가 학습 함수를 변화시키며, 그 가정하에 U를 최적 함수로 재구성할 수 있게 한다.
• 적절한 손실 함수를 갖춘 Bayesian 순차 증강은 학습 샘플 추가에 대해 이론적으로 최적의 지침을 제공한다.
• 시뮬레이션 결과 Kriging 인지 전략이 Kriging 상관을 무시하는 전략 및 일부 기존 방법보다 평가 횟수 감소 측면에서 우수함을 시사한다.
• 다만 구현에는 매우 큰 계산 자원이 필요하다.