크리깅 보조 시스템 신뢰성 평가(Kriging-assisted system reliability assessment)는 광범위하게 연구되어 왔으며, 특히 능동 학습(active learning) 전략과 결합될 때 우수한 성능으로 널리 인정받고 있다. 그러나 기존의 대부분의 방법은 현재 상태의 오분류 확률(misclassification probability)에 주로 초점을 맞추고 있으며, 새로 추가되는 샘플이 실패 확률 추정에 미치는 향후의 전역(global) 영향은 간과한다. 이러한 한계를 극복하기 위해, 시스템 신뢰성 평가를 가속하기 위한 stepwise error reduction (SER)이라는 새로운 룩어헤드(look-ahead) 학습 전략을 제안한다. SER은 현재 시스템 오차(system error)와 기대되는 향후 시스템 오차(expected future system error) 사이의 차이가 가장 큰 점을 반복적으로 선택하는 것을 목표로 한다. SER 프레임워크는 세 가지 주요 구성요소로 이루어진다. 첫째, 임의의 시스템에 적용 가능한 실시간 시스템 오차 측정 방법을 개발한다. 둘째, 크리깅 업데이트 공식(Kriging update formulas)과 전체확률정리(total probability theorem)를 결합하여, 서로 다른 시스템에 대한 기대 향후 오분류 확률을 도출한다. 다음으로, 시스템 오차 정보를 활용하여 능동 학습의 두 가지 핵심 구성요소인 학습 함수(learning function)와 종료 기준(stopping criterion)을 개발한다. 셋째, 계산 효율을 더욱 향상시키기 위해 시스템 특성에 따라 후보 샘플 프루닝(candidate sample pruning) 전략을 도입한다. 제안된 방법의 성능은 세 가지 수치 예제와 하나의 실제 공학 문제를 통해 시연한다. 실험 결과는 제안된 방법이 시스템 신뢰성 평가에서 효율성과 정확성을 향상시킬 수 있음을 보여준다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.