本文介绍了用于顺序试验的最优设计策略，并且使用贝叶斯推断的信息理论设计目标针对参数推断进行了 sOED 问题的严谨公式化。同时，研究了具有连续参数，设计和观测空间的非线性设计的数字方法，并利用探索和利用来提高状态空间中经常访问区域的逼近精度。最后，文中展示了对非线性源反演问题的优势。
Apr, 2016
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
GLASSES 采用预期损失搜索和随机模拟预测将未来许多次的函数值考虑在内，通过使用期望传播算法计算损失预期值，在实证测试中实现了明显的性能提升。
Oct, 2015
提供用于优化昂贵黑匣子函数的一种多步先见性贝叶斯优化方法，采用多步方案树内嵌化简的方法，通过高效的多步高斯过程虚拟化实现，超过现有方法的表现。
Jun, 2020
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
本文从贝叶斯角度研究非线性系统的最优实验设计问题，提出了基于梯度的随机优化方法，并通过传感器放置问题的数值试验证明了该方法的性能。
Dec, 2012
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。
我们提出了一种新的序列设计框架，利用实现样本采样的隐式模型分类中的相互信息来寻找最佳实验设计，通过 Bayesian 优化来帮助我们优化 MI 效用，我们发现我们的框架对于各种测试的隐式模型非常有效，在几次迭代后可以产生准确的参数估计。
Mar, 2020
本文提出了将成本约束的 BO 建模为约束马尔科夫决策过程 (CMDP) 的方法，并开发了一个高效的滚动估计算法，以同时考虑成本和未来迭代次数。作者在超参数优化和传感器集选择中验证了他们的方法。
Jun, 2021
本文针对未知 Markov 决策过程提出一种机器学习算法，采用序贯贝叶斯实验设计框架，通过基于轨迹优化的近似方法处理最优探寻问题，以在无先验知识的情况下探索未知环境，实现最优输入合成的系统识别。相比于其他以内在动机为基础的算法，该算法在收敛速度和最终模型保真度上都表现出明显的优势，同时与最近的基于模型的主动探索算法相比，该方案更专注于沿轨迹获取的信息量，具有明显的计算优势。
Oct, 2019