Resumen Técnico: Un Método de Aprendizaje Activo Basado en Procesos Gaussianos Locales para la Estimación Eficiente de la Probabilidad de Falla

1. Planteamiento del Problema

El análisis de confiabilidad es crítico para el diseño de ingeniería y la evaluación de la seguridad, sin embargo, enfrenta desafíos significativos al estimar la probabilidad de falla de sistemas complejos. En muchos escenarios prácticos, la función de estado límite $g(x)$ depende de simulaciones numéricas computacionalmente costosas (por ejemplo, el análisis de elementos finitos), y las respuestas del sistema suelen exhibir no estacionariedad o no linealidades locales fuertes.

Los métodos tradicionales tienen dificultades para equilibrar la eficiencia y la precisión:

• Las aproximaciones asintóticas (por ejemplo, FORM/SORM) pueden perder precisión ante múltiples puntos más probables o no linealidades fuertes.
• Los métodos basados en momentos sufren de problemas inversos mal planteados y sesgos distribucionales.
• Los métodos de simulación estocástica (por ejemplo, la Simulación de Monte Carlo) son robustos pero convergen lentamente para eventos raros, requiriendo un número prohibitivo de evaluaciones de modelos costosos.

Si bien se han adoptado modelos sustitutos (por ejemplo, la Regresión de Procesos Gaussianos global) para reducir costos, estos enfrentan problemas de escalabilidad en problemas de alta dimensión o no estacionarios debido a la complejidad $O(n^3)$ de la inversión de la matriz de covarianza y la reducción de la precisión de la predicción local. Además, las estrategias de aprendizaje activo estándar suelen generar muestras redundantes lejos de la frontera de falla, desperdiciando recursos computacionales.

2. Metodología

El artículo propone LGP-AL, un método de análisis de confiabilidad de aprendizaje activo que integra Procesos Gaussianos Locales (LGP) con una novedosa estrategia de Aprendizaje Activo.

2.1 Modelo Sustituto de Proceso Gaussiano Local (LGP)

En lugar de construir un único modelo global, el método particiona el conjunto de datos de entrenamiento en $m$ subdominios distintos utilizando agrupamiento K-means. Se construyen submodelos de Regresión de Procesos Gaussianos (GPR) independientes dentro de cada subdominio.

• Supuesto: Reemplaza el supuesto de estacionariedad global por estacionariedad local, lo que permite al modelo capturar mejor las respuestas no estacionarias y las fuertes no linealidades locales.
• Escalabilidad: Al descomponer el problema global en $m$ subconjuntos locales balanceados, la complejidad del entrenamiento se reduce de $O(n^3)$ a aproximadamente $O(n^3/m^2)$.
• Estabilidad: Para evitar la inestabilidad causada por el re-particionamiento frecuente, se emplea un mecanismo de herencia de la estructura de partición. El re-agrupamiento ocurre solo cuando el cambio relativo en la estimación de la probabilidad de falla supera un umbral prescrito; de lo contrario, las nuevas muestras se asignan a los subconjuntos existentes mediante una regla de vecino más cercano.

2.2 Estrategia de Aprendizaje Activo (UBAF)

Para guiar el proceso de muestreo secuencial, los autores construyen una función de adquisición conjunta llamada Función de Adquisición de Incertidumbre y Frontera (UBAF). Esta función combina dos criterios:

1. Contribución de la Varianza Posterior del Límite Superior (UPVC): Derivada del límite superior de la varianza posterior de la probabilidad de falla, esta métrica cuantifica la contribución de cada punto de entrada a la incertidumbre global de la estimación de la probabilidad de falla. Esto impulsa la exploración global.
2. Grado de Proximidad a la Frontera (BPD): Definido como $-|u_i|$ (donde $u_i$ es la media posterior), esta métrica mide la distancia de un punto candidato a la frontera de falla estimada. Esto impulsa el refinamiento local.

La UBAF se formula como una suma ponderada:
$$UBAF(x) = (1 - w) \cdot \widehat{UPVC}(x) + w \cdot \widetilde{BPD}(x)$$
donde $w$ es un peso adaptativo que aumenta con el número de iteraciones. Esto asegura que la estrategia de muestreo transicione de una exploración impulsada por la incertidumbre global en las iteraciones tempranas hacia un refinamiento centrado en la frontera en las etapas posteriores. El peso de BPD se limita a 0.5 para evitar un agrupamiento prematuro.

2.3 Extensión a Alta Dimensión

Para entradas de alta dimensión, el método integra el Método de Subespacio Activo. Esta técnica de reducción de dimensionalidad proyecta el espacio de entrada de alta dimensión sobre un subespacio activo de baja dimensión basado en el gradiente de la respuesta del modelo, preservando las relaciones dominantes de entrada-salida mientras reduce la dimensionalidad para el marco de trabajo LGP.

3. Principales Contribuciones

El artículo detalla tres contribuciones primarias:

1. Marco de Modelado Local: Particionamiento del conjunto de entrenamiento para construir modelos de procesos gaussianos locales, reemplazando la estacionariedad global con estacionariedad local para capturar mejor las estructuras no estacionarias, reduciendo significativamente los costos de inversión de la matriz de kernel.
2. Nuevo Criterio de Aprendizaje Activo: Formulación de un criterio de muestreo (UBAF) que combina el límite superior de la varianza posterior con la proximidad a la frontera de falla. Esto dirige las muestras hacia regiones de alta incertidumbre y cercanas a la frontera, mejorando la discriminación de signo de la función de estado límite.
3. Integración de Reducción de Dimensionalidad: Incorporación del método de subespacio activo para mantener una aproximación estable en configuraciones de alta dimensión, mejorando la escalabilidad del marco de trabajo LGP.

4. Resultados Numéricos

El método fue validado en cinco ejemplos numéricos: un problema de contorno de iso-probabilidad, un sistema de cuatro ramas, un segmento de viga de concreto reforzado, un modelo de soporte (bracket) y un problema lineal de alta dimensión.

• Eficiencia: En todos los ejemplos, LGP-AL demostró tiempos de entrenamiento significativamente reducidos en comparación con el aprendizaje activo basado en Procesos Gaussianos globales (GP-AL). Por ejemplo, en el sistema de cuatro ramas, LGP-AL redujo el tiempo de entrenamiento aproximadamente un 63% (8.9 min vs. 19.4 min). En el ejemplo de la viga de concreto reforzado, GP-AL no logró identificar el dominio de falla (estimando probabilidad cero), mientras que LGP-AL logró un error relativo de $1.90 \times 10^{-2}$.
• Precisión: El método propuesto mantuvo una alta precisión de estimación. En el sistema de cuatro ramas, LGP-AL logró un error relativo de $1.12 \times 10^{-2}$ frente a $2.58 \times 10^{-1}$ para GP-AL.
• Estrategia de Muestreo: Las comparaciones mostraron que la estrategia UBAF superó tanto al Muestreo de Hipercubo Latino (LHS) como a una estrategia que utiliza solo UPVC. UBAF concentró eficazmente las muestras cerca de la frontera de falla, lo que condujo a una convergencia más rápida y menores errores relativos.
• Desempeño en Alta Dimensión: En el problema lineal de alta dimensión (dimensiones $d=100, 500, 1000$), la combinación de subespacios activos y LGP mantuvo errores relativos dentro de $10^{-1}$ con tiempos de entrenamiento que oscilaron solo entre 29 y 35 segundos, demostrando robustez contra el aumento de la dimensionalidad.

5. Significancia y Reclamaciones

El artículo afirma que el método LGP-AL propuesto ofrece una solución robusta y escalable para la estimación de la probabilidad de falla en sistemas de ingeniería complejos. Su significancia radica en:

• Reducción de la Carga Computacional: Al descomponer el problema global y utilizar la estacionariedad local, el método reduce significativamente el costo computacional del entrenamiento del modelo y la inversión de la matriz de covarianza.
• Mejora de la Eficiencia de Muestreo: El criterio adaptativo UBAF asegura que las evaluaciones costosas de la función de estado límite se enfoquen en regiones críticas (alta incertidumbre y cerca de la frontera de falla), minimizando el muestreo redundante.
• Gestión de la Complejidad: El método aborda eficazmente los desafíos planteados por las respuestas no estacionarias, las fuertes no linealidades locales y las entradas de alta dimensión.

Los autores reconocen modestamente las limitaciones, señalando que el método aún puede enfrentar desafíos computacionales en escenarios que involucran probabilidades de falla extremadamente pequeñas o sistemas de ultra-alta dimensión. Sugieren que el trabajo futuro podría incorporar aproximaciones de matrices de bajo rango, esparcimiento de puntos inductivos y modelado de multi-fidelidad para mejorar aún más la escalabilidad y la convergencia.