变分贝叶斯最优实验设计
本文提出了一种全概率梯度方法来解决贝叶斯最优实验设计的问题,该方法利用变分下界来进行预期信息增益的优化,并提供多种变分目标,最终表现出比现有方法在高维设计优化中更有效的性能。
Nov, 2019
本研究通过互信息边界建立了基于比率的模拟推理和基于随机梯度的变分推理之间的重要联系,将 Bayesian Optimal Experimental Design 方法扩展到 SBI 应用程序中,实现了实验设计和摊销推理函数的同时优化。
Jun, 2023
提出了一种基于贝叶斯框架的变分顺序最优实验设计新方法,采用变分逼近估计期望效用的下界估计来解决最优设计策略,并采取策略梯度方法来优化模型参数和加快收敛速度,旨在优化设计有限序列实验问题,针对参数推断、模型鉴别和面向目标的预测等问题具有实际应用价值。
Jun, 2023
基于贝叶斯优化实验设计的理论,利用变分方法近似求解后验分布,使用正则化流降低 EIG 估计偏差,并通过梯度优化方法对变分参数和设计变量进行同时优化,其结果在两个基准问题和两个实际应用中验证了方法的有效性。
Apr, 2024
采用基于贝叶斯方法的计算框架,通过最大化信息增益来确定在非线性观测和预测模型下,最优实验设计以提高感兴趣的预测量的精确度。
Mar, 2024
贝叶斯最佳实验设计寻求在预算限制下,通过贝叶斯框架中的实验数据更新系统的先验知识到其后验,具有计算挑战性,我们提出了一种新的联合优化方法,以有效、可伸缩和稳健的方式解决了贝叶斯最佳实验设计问题,在一个具有高维参数和观测值以及选择最有信息的观测的二进制掩模设计的实际磁共振成像数据采集问题中验证了方法的性能。
Feb, 2024
为了实现贝叶斯推理的最佳实验条件,本研究提出了两种估计信息增益梯度的方法:UEEG-MCMC 通过马尔科夫链蒙特卡罗生成后验样本来估计信息增益梯度,而 BEEG-AP 通过反复使用参数样本以实现高模拟效率。理论分析和数值研究表明,在实际信息增益值方面,UEEG-MCMC 具有较强的鲁棒性,而当待优化的信息增益值较小时,BEEG-AP 更加高效。此外,在数值实验中,与几种常用基准方法相比,这两种方法都表现出了更优越的性能。
Aug, 2023
通过贝叶斯实验设计的角度形式化了环境优化问题,并提出了 CO-BED - 一种使用信息理论原理设计上下文实验的通用模型不可知框架。CO-BED 通过一系列实验证明了优越性。
Feb, 2023