面向黑箱系统稀有事件仿真的可认证深度重要性采样
统计方法学
2021-11-04 v1 机器学习
摘要
稀有事件仿真技术，如重要性采样（IS），是加速对罕见灾难性事件进行挑战性估计的强大工具。这些技术通常利用对底层系统结构的了解和分析来赋予理想的效率保证。然而，黑箱问题，尤其是那些源于近期人工智能驱动的物理系统的安全关键应用的问题，可能会从根本上削弱其效率保证，并导致危险的、未被诊断检测到的低估。我们提出了一个名为深度概率加速评估（Deep-PrAE）的框架，通过将通用但可能缺乏保证的黑箱采样器，转化为具有我们称之为松弛效率证书的采样器，从而设计出具有统计保证的 IS，该证书允许对稀有事件概率的边界进行准确估计。我们提出了 Deep-PrAE 的理论，该理论将主导点概念与通过深度神经网络分类器进行的稀有事件集学习相结合，并在包括智能驾驶算法安全测试在内的数值示例中证明了其有效性。
引用
@article{arxiv.2111.02204,
title = {Certifiable Deep Importance Sampling for Rare-Event Simulation of Black-Box Systems},
author = {Mansur Arief and Yuanlu Bai and Wenhao Ding and Shengyi He and Zhiyuan Huang and Henry Lam and Ding Zhao},
journal= {arXiv preprint arXiv:2111.02204},
year = {2021}
}
备注
The conference version of this paper has appeared in AISTATS 2021 (arXiv:2006.15722)