신뢰성 공학에서 실험 데이터를 활용하여 계산 모델을 보정하여 높은 정확도의 예측을 실현하는 방법은 현재 시급히 해결해야 할 핵심 문제입니다. 베이즈 모델 업데이트(BMU)는 이러한 문제를 해결하기 위한 중요한 방법론적 틀로 떠오르고 있습니다. 기존 BMU 방법은 세 가지 유형으로 분류할 수 있습니다: 1) 낮은 계산 비용이지만 근사가 높은 방법(예: 라플라스 근사, 공액 사전 분포); 2) 근사 정도는 낮지만 계산 비용이 높은 방법(예: 근사 베이즈 계산); 3) 정보가 완전하지만 복잡도가 매우 높은 완전 베이즈 방법. 이러한 방법들의 계산 효율성과 정확성 사이의 균형 문제를 해결하기 위해 본 연구에서는 능동 학습 기반 근사 베이즈 적분 방법을 제안하였으며, 이는 완전 베이즈 방법에 준하는 정확도를 유지하면서 계산 비용을 크게 절감하는 것을 목표로 합니다. 본 연구의 혁신점은 세 가지 측면에 있습니다: 첫째, 가우시안 프로세스 모델을 통해 우도 함수의 제곱근을 효율적으로 근사하고 베이즈 적분 프레임워크와 결합하여 매개변수 후행 분포의 해석적 해를 구축함으로써 기존 샘플링 방법의 높은 계산 비용을 회피하였습니다; 둘째, 후행 분산 기여도(GPVC)를 기반으로 하는 새로운 획득 함수를 제안하였으며, 이 함수는 확률적 회귀 모델의 예측 평균과 공분산 정보를 활용하여 매개변수 공간의 전역 탐색과 지역 개발 능력을 동적으로 균형 있게 조절합니다; 셋째, 수치 및 공학 사례를 통해 제안된 방법이 다중 모드 후행 밀도 추정에서 현저한 우위를 보이면서 완전 베이즈 방법과 유사한 보정 정확도를 유지함을 검증하였습니다. 연구 결과는 고차원 복잡 시스템의 신뢰성 모델 보정을 위한 효율적이고 견고한 해결책을 제공합니다.

베이즈 모델 업데이트;근사 베이즈 적분;가우시안 프로세스 회귀;획득 함수;능동 기계 학습