面向人工智能系统可靠性建模的误差传播计算高效学习方法

人工智能（AI）系统在新兴智慧城市中日益凸显，但其可靠性仍是关键关切。这些系统通常通过一系列相互关联的功能阶段运行，上游错误可能传播至下游阶段，从而影响整体系统可靠性。量化此类误差传播对于准确建模 AI 系统可靠性至关重要。然而，这一任务面临挑战：i) 数据可用性：现实中的 AI 系统可靠性数据往往稀缺且受隐私限制；ii) 模型有效性：跨顺序阶段的反复错误事件是相互依赖的，违反统计推断的独立性假设；iii) 计算复杂度：AI 系统处理大规模高速数据，导致频繁且复杂的反复错误事件难以跟踪和分析。为此，本文利用基于物理的自动驾驶车 simulation 平台配合可证明的 error injector 生成高质量数据，用于 AI 系统可靠性分析。基于此数据，开发了新的可靠性建模框架，以显式特征化跨阶段的误差传播。模型参数通过一种计算高效、理论保证的复合似然期望最大化算法进行估计。其对自动驾驶车感知系统可靠性建模的应用表明，其预测精度和计算效率均得到证实。