यह शोधपत्र एक अनुकूली मशीन लर्निंग मेटा-मॉडल का उपयोग करते हुए एक बहु-निष्ठा स्तरीकृत नमूनाकरण तकनीक का प्रस्ताव करता है ताकि इस समस्या का समाधान किया जा सके कि मौजूदा विचरण न्यूनीकरण तकनीकों को अभी भी दुर्लभ घटना विश्लेषण हेतु संभाव्य सिमुलेशन में व्यापक मॉडल मूल्यांकन की आवश्यकता होती है। एक गहन शिक्षण-आधारित मेटा-मॉडल को एक उच्च-निष्ठा डेटासेट पर प्रशिक्षित किया जाता है और एक निम्न-निष्ठा मॉडल के रूप में उपयोग किया जाता है, और एक अनुकूली प्रशिक्षण तकनीक सन्निकटन सटीकता और गणना लागत को संतुलित करती है। निम्न-निष्ठा मॉडल के परिणामों को अतिरिक्त उच्च-निष्ठा परिणामों के साथ एकीकृत किया जाता है ताकि बहु-निष्ठा मोंटे कार्लो ढाँचे का उपयोग करके प्रत्येक स्तर पर विफलता की संभावना का अनुमान लगाया जा सके, और समग्र विफलता की संभावना की गणना वैश्विक संभाव्यता प्रमेय का उपयोग करके की जाती है। एक ऊँची इमारत पर पवन भार सिमुलेशन दर्शाते हैं कि प्रस्तावित तकनीक मौजूदा एकल-निष्ठा विचरण न्यूनीकरण तकनीकों की तुलना में गणना लागत को उल्लेखनीय रूप से कम करते हुए अतिशयता संभाव्यता वक्रों का सटीक अनुमान लगा सकती है।
