대리 모델은 고장 확률 추정 과정을 효과적으로 가속화할 수 있지만, 대리 모델이 실제 고장 경계를 정확하게 표현하지 못할 경우 추정 편향을 초래하는 경우가 많으며, 이는 고차원 및/또는 강한 비선형성을 가진 실제 공학 문제에서 특히 흔합니다. 마르코프 체인 몬테카를로(MCMC) 방법에서 지연 수락(delayed acceptance, DA) 개념을 차용하여, 본 논문에서는 부분 시뮬레이션(subset simulation, SuS)과 대리 모델을 결합한 새로운 전략인 DA-SuS 방법을 제안합니다. 이 방법은 MCMC의 수락 과정을 세 단계로 분해하며, 후보 표본은 먼저 대리 모델에 의해 판별됩니다; 만약 이 단계에서 거부되면 이후 계산에 진입하지 않습니다. 이 지연 수락 메커니즘은 MCMC의 상세 평형 조건을 훼손하지 않으며, 대리 모델의 정확도와 무관하게 정상 분포는 항상 목표 분포로 유지되어 MCMC 추정량의 점근적 편향 없음이 보장됩니다. 비록 이 전략이 통계적 효율성을 다소 낮출 수 있지만, 고장 영역 확률이 높은 후보 표본에만 실제 모델이 호출되어 계산 부담이 크게 감소하여 전체 계산 효율성이 향상됩니다. 더 나아가, 본 논문에서는 Kriging 대리 모델의 적응형 학습, 오분류 오류 기반 수락 기준, 사슬 레벨 갱신 방안 등 세 가지 개선 전략을 도입하였습니다. 세 가지 벤치마크 사례를 통해 DA-SuS 알고리즘의 성능을 검증하였고, 전통적인 SuS 및 대리 모델을 결합한 개선 방법들과 비교하였습니다. 결과는 제안된 DA-SuS 방법이 고차원 및 강한 비선형 문제에서도 고장 확률의 편향 없는 추정이 가능함을 보여주었으나, 그 통계적 및 계산 효율성은 대리 모델의 품질에 일부 의존함을 나타냅니다.

부분 시뮬레이션; 대리 모델; 편향 없음; 지연 수락; Kriging