ترجمه فارسی مقاله فرآیندهای گاوسی لجستیک دیریکله برای ارزیابی سیستم‌های تصادفی جعبه سیاه تحت شرایط پیچیده

چکیده

The requirement-driven performance evaluation of a black-box cyber-physical system (CPS) that utilizes machine learning methods has proven to be an effective way to assess the quality of the CPS. However, the distributional evaluation of the performance has been poorly considered. Although many uncertainty estimation methods have been advocated, they have not successfully estimated highly complex performance distributions under small data. In this paper, we propose a method to distributionally evaluate the performance under complex requirements using small input-trajectory data. To handle the unknown complex probability distributions under small data, we discretize the corresponding performance measure, yielding a discrete random process over an input region. Then, we propose a semiparametric Bayesian model of the discrete process based on a Dirichlet random field whose parameter function is represented by multiple logistic Gaussian processes (LGPs). The Dirichlet posterior parameter function is estimated through the LGP posteriors in a reasonable and conservative fashion. We show that the proposed Bayesian model converges to the true discrete random process as the number of data becomes large enough. We also empirically demonstrate the effectiveness of the proposed method by simulation.

چکیده به فارسی (ترجمه ماشینی)

ارزیابی عملکرد مورد نیاز محور از یک سیستم سایبری فیزیکی جعبه سیاه (CPS) که از روشهای یادگیری ماشین استفاده می کند ، یک روش مؤثر برای ارزیابی کیفیت CPS است.با این حال ، ارزیابی توزیع عملکرد ضعیف در نظر گرفته شده است.اگرچه از بسیاری از روشهای تخمین عدم اطمینان حمایت شده است ، اما آنها با موفقیت توزیع عملکرد بسیار پیچیده را تحت داده های کوچک تخمین زده اند.در این مقاله ، ما روشی را برای ارزیابی توزیع عملکرد تحت الزامات پیچیده با استفاده از داده های کوچک ورودی ورودی پیشنهاد می کنیم.برای رسیدگی به توزیع های احتمال پیچیده ناشناخته تحت داده های کوچک ، ما اندازه گیری عملکرد مربوطه را گسسته می کنیم و یک فرآیند تصادفی گسسته را در یک منطقه ورودی به دست می آوریم.سپس ، ما یک مدل بیزی نیمهرامتری از فرآیند گسسته را بر اساس یک میدان تصادفی Dirichlet پیشنهاد می کنیم که عملکرد پارامتر آن توسط چندین فرآیند گازی لجستیک (LGPS) نشان داده شده است.عملکرد پارامتر خلفی Dirichlet از طریق خلفی LGP به روشی معقول و محافظه کارانه تخمین زده می شود.ما نشان می دهیم که مدل پیشنهادی بیزی به فرآیند تصادفی گسسته واقعی همگرا می شود زیرا تعداد داده ها به اندازه کافی بزرگ می شوند.ما همچنین به صورت تجربی اثربخشی روش پیشنهادی را با شبیه سازی نشان می دهیم.