MARC

 008260126s2025        us                              c    eng  d
■001000017359922
■00520260202105236
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798291567869
■035    ▼a(MiAaPQ)AAI32271954
■035    ▼a(MiAaPQ)umichrackham006380
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a658
■1001  ▼aLiu,  Jiacheng.
■24510▼aBayesian  Optimization  for  Personalized  Vehicle  Safety  Design
■260    ▼a[Sl]▼bUniversity  of  Michigan▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a105  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-02,  Section:  B.
■500    ▼aAdvisor:  Hu,  Jingwen;Jin,  Jionghua.
■5021  ▼aThesis  (Ph.D.)--University  of  Michigan,  2025.
■520    ▼aPersonalized  system  design  aims  to  tailor  engineering  solutions  to  individual  characteristics,  enabling  improved  performance,  safety,  and  user  satisfaction  across  heterogeneous  populations.  This  dissertation  develops  a  Bayesian  Optimization  (BO)  framework  for  simulation-based  personalized  design,  with  applications  to  enhance  vehicle  safety  systems.    Three  major  works  have  been  explored.  The  first  work  develops  the  foundational  framework  for  personalized  policy  optimization  by  proposing  a  functional,  parameterized  design  policy  that  maps  subject-specific  covariates  to  optimal  designs.  This  approach  reduces  the  dimensionality  of  the  searching  space  and  enables  tractable  optimization  across  a  heterogeneous  population.  A  novel  acquisition  function,    Personalized  Information  Gain  (PIG),  is  developed  and  theoretically  shown  to  restrict  the  search  space  to  the  trajectory  of  the  optimal  design  policy,  improving  sampling  efficiency.  The  second  work  addresses  scalability  and  interpretability  in  the  high-dimensional  design  spaces  by  introducing  the  Personalized  Design  Variable  Score  (PDVScore),  which  is  a  principled  variable  selection  score  that  combines  gradient-based  sensitivity  with  population-level  variability  to  identify  important  personalized  design  variables.  This  approach  is  supported  by  a  theoretical  justification  linking  the  score  to  the  Wasserstein-2  distance,  offering  a  stable  and  interpretable  measure  of  variable  relevance.  The  third  study  extends  the  framework  to  a  robust  optimal  solution  that  accounts  for  covariate  measurement  errors  for  practical  deployment.  A  variance-based  penalty  term  is  incorporated  into  the  optimization  objective  to  reduce  the  performance  gap  between  simulation  and  real-world  conditions.  This  robust  formulation  is  theoretically  justified  as  an  upper  confidence  bound  on  the  deployed  system  response.  These  methodologies  are  evaluated  through  both  computer  simulations  and  a  case  study  of  designing  a  personalized  high-fidelity  vehicle  restraint  system.  The  results  demonstrate  substantial  improvements  in  sampling  efficiency,  robustness  to  covariate  uncertainty,  and  balanced  safety  performance  across  heterogeneous  populations.  Collectively,  this  work  contributes  a  systemic  and  robust  framework  for  scalable  and  reliable  personalized  system  design  under  real-world  deployment  conditions.
■590    ▼aSchool  code:  0127.
■650  4▼aIndustrial  engineering
■650  4▼aStatistics
■650  4▼aAutomotive  engineering
■650  4▼aMechanical  engineering
■653    ▼aBayesian  Optimization
■653    ▼aPersonalized  design
■653    ▼aVehicle  safety  design
■653    ▼aGaussian  process
■653    ▼aVariable  selection
■690    ▼a0546
■690    ▼a0548
■690    ▼a0463
■690    ▼a0540
■71020▼aUniversity  of  Michigan▼bIndustrial  &  Operations  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g87-02B.
■790    ▼a0127
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17359922▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서