Rare-event Simulation for Neural Network and Random Forest Predictors
Rare-event Simulation for Neural Network and Random Forest Predictors
复制标题
神经网络和随机森林预测器的罕见事件模拟
DOI：
10.1145/3519385
复制
发表时间：
2022
影响因子：
0.9
通讯作者：
Zhao, Ding
中科院分区：
文献类型：
--
作者：
Bai, Yuanlu;Huang, Zhiyuan;Lam, Henry;Zhao, Ding
我们研究了一类问题的稀有事件模拟，其中目标命中集的兴趣是通过现代机器学习工具，如神经网络和随机森林。这个问题的动机是从智能系统的安全性评估，学习模型的鲁棒性量化，以及其他潜在的应用程序，以大规模的模拟，其中机器学习工具可以用来近似复杂的罕见事件集边界的快速新兴的研究。我们研究了一个重要性抽样方案，它集成了大偏差和顺序混合整数规划中的控制点机制来定位潜在的控制点。我们的方法适用于一系列神经网络架构，包括全连接层，整流线性单元，归一化，池化和卷积层，以及从标准决策树构建的随机森林。我们使用UCI机器学习库中的分类模型提供了效率保证和数值演示。
We study rare-event simulation for a class of problems where the target hitting sets of interest are defined via modern machine learning tools such as neural networks and random forests. This problem is motivated from fast emerging studies on the safety evaluation of intelligent systems, robustness quantification of learning models, and other potential applications to large-scale simulation in which machine learning tools can be used to approximate complex rare-event set boundaries. We investigate an importance sampling scheme that integrates the dominating point machinery in large deviations and sequential mixed integer programming to locate the underlying dominating points. Our approach works for a range of neural network architectures including fully connected layers, rectified linear units, normalization, pooling and convolutional layers, and random forests built from standard decision trees. We provide efficiency guarantees and numerical demonstration of our approach using a classification model in the UCI Machine Learning Repository.
登录
查看更多内容
多尺度扩散的重要性采样
影响因子：
1.6
作者：
P. Dupuis;K. Spiliopoulos;Hui Wang
通讯作者：
Hui Wang
DOI：
--
发表时间：
2018
期刊：
影响因子：
--
作者：
Harsha Honnappa;R. Pasupathy;Prateek Jaiswal
通讯作者：
Prateek Jaiswal
影响因子：
0.9
作者：
Dohyun Ahn;K. Kim
通讯作者：
K. Kim
影响因子：
6.8
作者：
P. Glasserman;P. Heidelberger;P. Shahabuddin;T. Zajic
通讯作者：
T. Zajic
DOI：
--
发表时间：
2009
期刊：
TOMC
影响因子：
--
作者：
H. Hult;Jens Svensson
通讯作者：
Jens Svensson