概率鲁棒性分析——风险、复杂度与算法

越来越明显的是，概率方法可以克服经典最坏情况确定性框架的保守性和计算复杂性，并可能导致实际上更安全的设计。在本文中，我们认为全面的概率鲁棒性分析需要对鲁棒性函数进行详细评估，并且我们表明，使用复杂度在不确定性空间维度上呈线性的算法，可以以基本上任何所需的精度和置信度执行此类评估。此外，我们表明此类算法的平均内存需求是绝对有界的，完全在当今计算机的能力范围内。除了效率之外，我们的方法还允许控制统计采样误差和由于不确定性半径离散化引起的误差。对于特定水平的离散化误差容限，我们的技术提供了优于传统方法的效率提升，该提升与精度水平成反比；即，随着对精度要求的提高，我们的算法表现更好。