재난 회복탄력성은 극한 하중에 대한 구조적 안전성뿐만 아니라 사후 복구 노력까지 고려하여 민간(사회기반) 구조 시스템의 위험을 관리하는 데 있어 부상하는 개념이다. 시스템 신뢰성–기반 회복탄력성 해석 프레임워크는 다수의 중단(교란) 시나리오에 대해 신뢰성 및 여분성(redundancy)을 평가함으로써 구조 시스템의 재난 회복탄력성 성능을 정량적으로 평가할 수 있게 한다. 그러나 신뢰성 및 여분성 지수들을 추정하기 위해 요구되는 방대한 수의 구조 해석으로 인해, 그 실무 적용은 제한적이다. 이러한 계산상의 어려움을 해결하기 위해 본 논문은 Importance Sampling for Noteworthy Scenarios (ISNS)라 명명된 새로운 중요도 샘플링 알고리즘을 제안한다. ISNS 알고리즘은 구조의 회복탄력성에 지배적으로 영향을 미치는 초기 중단 시나리오를 식별하기 위해 가우시안 프로세스 기반 principal point 탐색 방법을 활용한다. 이후, 주목할 만한 중단 시나리오의 실패 영역을 특성화하는 준(near-)최적 중요도 샘플링 밀도를 나타내기 위해 혼합 기반 분포를 구성한다. 이러한 2단계 절차는 식별된 주목할 만한 시나리오들에 대해 신뢰성 및 여분성 지수를 동시에 추정할 수 있게 한다. 또한 대리모델(surrogate)을 효율적으로 학습하기 위한 능동학습(active learning) 방식을 통합한다. 제안된 방법이 제공하는 향상된 효율성을 입증하기 위해 공학적 응용 분야의 수치 예제를 조사한다. 다만, 제안된 방법은 다중재난(multihazard) 상황 및 고차원·고도로 비선형 시나리오에서는 한계가 있으며, 이러한 한계는 강건성을 보장하기 위해 가우시안 프로세스 및 혼합 모델에 대한 추가적인 검증이 필요함을 시사한다.