代理モデルは故障確率の推定過程を効果的に加速できるが、代理モデルが実際の故障面を正確に描写できない場合、推定に偏りが生じることが多く、これは高次元かつ/または強非線形の実際の工学問題で特に顕著である。マルコフ連鎖モンテカルロ（MCMC）法における遅延受理（delayed acceptance, DA）の考え方を取り入れ、本稿ではサブセットシミュレーション（subset simulation, SuS）と代理モデルを組み合わせた新しい戦略であるDA-SuS法を提案する。本手法はMCMCの受理過程を三段階に分解し、候補サンプルはまず代理モデルによって判別される。もしこの段階で拒否されれば、以降の計算は行われない。この遅延受理メカニズムはMCMCの詳細平衡条件を破壊せず、代理モデルの精度にかかわらず、その定常分布は常に目標分布となり、MCMC推定量の漸近無偏性を保証する。確かにこの戦略は統計効率を多少低下させるが、高い故障域確率を持つ候補サンプルに対してのみ真のモデルを呼び出すため、計算負荷を大幅に削減し、全体の計算効率を高める。さらに本稿では、Kriging代理モデルの適応的訓練、誤判定誤差に基づく受理基準、チェーンレベル更新スキームの三つの改良戦略を導入した。三つのベンチマーク事例によりDA-SuSアルゴリズムの性能を検証し、従来のSuSおよび代理モデルを組み合わせた改良手法と比較した。結果は、提案するDA-SuS法が高次元かつ強非線形問題においても故障確率の無偏推定を実現可能であることを示すが、統計効率および計算効率は代理モデルの品質に多少依存することを示した。

サブセットシミュレーション;代理モデル;無偏性;遅延受理;Kriging