Margen de seguridad frente al desplazamiento distributivo para modelos de aprendizaje automático en ingeniería estructural

Los despliegues de ingeniería críticos para la seguridad se enfrentan de forma rutinaria al deterioro del rendimiento ante el desplazamiento del conjunto de datos; sin embargo, las salvaguardas post-hoc y libres de etiquetas que funcionan sin reentrenamiento siguen siendo escasas. Se presenta el Margen de Seguridad por Desplazamiento Distributivo (DSSM, por sus siglas en inglés) como un ajuste en tiempo de despliegue, agnóstico respecto al modelo, que suprime cuantitativamente la sobreestimación insegura cuando se detecta un desplazamiento de covariables. El DSSM requiere únicamente características de despliegue no etiquetadas y la dispersión predictiva del modelo en tiempo de entrenamiento; el margen se escala mediante una distancia de dos muestras basada en núcleos entre las distribuciones de entrenamiento y de despliegue (Discrepancia Media Máxima, MMD) y un objetivo de tasa de inseguridad fijado por el usuario \ (\). El margen óptimo se caracteriza de forma cerrada como el cuantil \ ( (1-) \) de la distribución del error de despliegue; el estimador práctico es un sustituto plug-in sin etiquetas basado en MMD motivado por un argumento de RKHS+Cantelli bajo los supuestos establecidos, y es empíricamente conservador con respecto al óptimo. El marco de trabajo se valida en dos conjuntos de datos de ingeniería reales: el benchmark UCI Concrete Compressive Strength (\ (n=1030\) ) y el conjunto de datos NIMS Steel Fatigue Strength (\ (n=437\), 25 características). Los escenarios de desplazamiento controlado de covariables se construyen a partir de mediciones reales reservadas mediante remuestreo por sesgo de selección y perturbaciones afines leves; estos están diseñados para ser sondas físicamente plausibles en lugar de registros de derivas operativas naturales, y la evaluación completa se repite bajo 15 semillas independientes de RNG para proporcionar barras de error en lugar de estimaciones puntuales. En ambos estudios de caso y en tres arquitecturas de modelos (Random Forest, Gradient Boosting, Ridge), el DSSM con \ (=1\%\) reduce la tasa de inseguridad en el despliegue al 0. 0% desde tasas basales del 5–12%, con penalizaciones de MAE transparentes y ajustables que escalan con la varianza del objetivo y la magnitud del desplazamiento. El DSSM se evalúa comparativamente frente a líneas de base modernas de predicción conformal (split, ponderada, CQR), que producen umbrales algo más ajustados cuando se dispone de datos de calibración etiquetados. Una extensión condicionada por régimen aborda la heterocedasticidad calculando márgenes por régimen a partir de \ (P^ (k) \) local y MMD local \ (²ₖ\), y se demuestra que reduce la penalización de MAE en el despliegue en un 44–49% con respecto a la construcción global mientras preserva el objetivo de seguridad. Los estudios de sensibilidad confirman la robustez ante la elección del núcleo y la selección del ancho de banda. El DSSM complementa las guías contemporáneas de gestión de riesgos de IA como un mecanismo de control ligero de tipo “medir para gestionar” que los profesionales de la ingeniería pueden ajustar, auditar y justificar al desplegar sustitutos de aprendizaje automático en aplicaciones críticas para la seguridad.