Distributional shift safety margin for machine learning models in structural engineering

doi:10.1007/s42452-026-09140-9

Distributional shift safety margin for machine learning models in structural engineering

2026-07-18

0

OA

AI

DOI：10.1007/s42452-026-09140-9

原文链接

查看原文

摘要

En 中文

安全关键型工程部署通常面临数据集漂移下的性能下降，但无需重新训练即可在事后、无标签条件下工作的保障措施仍然稀缺。本文提出分布漂移安全裕度（DSSM），作为一种模型无关、部署时偏移，在检测到协变量漂移时定量抑制不安全高估。DSSM仅需未标记的部署特征和模型训练时的预测散度；安全裕度由训练与部署分布之间的核两样本距离（最大均值差异，MMD）和用户设定的不安全率目标α缩放。最优裕度以闭式形式表征为部署误差分布的（1-α）分位数；实际估计量是一个基于MMD的无标签插值代理，其动机源于RKHS+Cantelli假设下的论证，且经验上相对最优保守。该框架在两个真实工程数据集上验证：UCI混凝土抗压强度基准（n=1030）和NIMS钢疲劳强度数据集（n=437，25个特征）。通过选择偏差重采样和轻微仿射扰动从保留的真实测量值构造受控协变量漂移场景；这些设计为物理上合理的探测而非自然操作漂移的记录，且在全评估中重复15次独立RNG种子以给出误差条而非点估计。在两个案例研究和三种模型架构（随机森林、梯度提升、岭回归）中，α=1%的DSSM将部署不安全率从基准的5–12%降至0.0%，伴随透明且可调的MAE惩罚，其规模随目标方差和漂移幅度变化。DSSM与现代一致性预测基准（分割、加权、CQR）比较，后者在提供标签校准数据时产生更紧的阈值。一种条件化扩展通过计算基于局部σ_P^(k)和局部MMD^2_k的每区域裕度解决异方差性，并显示相对于全局构造将部署MAE惩罚降低44–49%同时保持安全目标。敏感性研究确认对核选择和带宽选择的鲁棒性。DSSM作为轻量级“测量-管理”控制机制，补充当代AI风险管理指南，工程实践者可在部署安全关键应用中的机器学习代理时进行调优、审计和论证。

Keyword:

Distributional shift

Safety margin

Maximum mean discrepancy

Machine learning safety

Deployment-time adjustment

Structural engineering

Concrete compressive strength

Risk mitigation

Distributional shift safety margin for machine learning models in structural engineering

摘要

AI总结

期刊

机构

引用论文