信頼性工学において、実験データを活用して計算モデルを較正し、高精度な予測を実現する方法は、現在緊急に解決すべき重要な課題です。ベイズモデル更新（BMU）は、この種の問題を解決するための新しい方法論的枠組みとして重要な手段を提供します。既存のBMU手法は大きく三つに分類されます。1）計算コストは低いが近似度が高い手法（例：ラプラス近似、共役事前分布）、2）近似度は低いが計算コストが高い手法（例：近似ベイズ計算）、3）情報は完全だが複雑度が非常に高い完全ベイズ手法。本研究では、これら手法における計算効率と精度のトレードオフ問題に対処するため、能動学習に基づく近似ベイズ積分法を提案し、完全ベイズ手法に近い精度で計算コストを大幅に削減することを目指しています。本研究の革新点は三つあります。第一に、ガウス過程モデルを用いて尤度関数の平方根を効率的に近似し、ベイズ積分フレームワークと組み合わせてパラメータの事後分布の解析解を構築し、従来のサンプリング手法の高い計算コストを回避したこと。第二に、事後分散寄与（GPVC）に基づく新規取得関数を提案し、この関数は確率的回帰モデルの予測平均と共分散情報を利用してパラメータ空間のグローバル探索とローカル開発能力を動的にバランスさせること。第三に、数値実験と工学的事例により、提案手法が多峰性事後密度推定において顕著な優位性を示し、完全ベイズ手法と同等の較正精度を維持することを検証したこと。研究結果は、高次元複雑系の信頼性モデル較正における効率性と堅牢性を兼ね備えた解決策を提供します。

ベイズモデル更新;近似ベイズ積分;ガウス過程回帰;取得関数;能動機械学習