Mar, 2020

通过互信息的顺序贝叶斯实验设计隐式模型

PDF
TL;DR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。
bayesian experimental designsequential bedimplicit modelsparameter estimationmutual information
发现论文，激发创造
  • 通过互信息神经估计的贝叶斯隐式模型实验设计

    对于内隐随机模型，在数据生成分布复杂度很高但采样是可能的情况下，我们应当采用贝叶斯实验设计来最大限度地提高数据与参数变量之间的互信息，并利用基于神经网络的互信息估计来处理计算成本较高的难题，并在模拟研究中展示其可行性。

    Feb, 2020

  • 隐式模型的高效贝叶斯实验设计

    本文提出了一个新的实验设计框架，用于解决隐式模型中的优化资源分配问题，采用了先前不可行的参数和数据之间的互信息作为效用函数，并使用基于贝叶斯优化的方法解决最优设计问题。

    Oct, 2018

  • 现代贝叶斯实验设计

    本文综述了贝叶斯实验设计在优化实验设计方面的应用。最近的进展解决了计算方面的挑战，使得该方法更加实用。同时，文章也探讨了未来该领域的发展方向。

    Feb, 2023

  • CO-BED: 基于贝叶斯实验设计的信息论环境优化

    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

  • 使用近似动态规划的序贯贝叶斯最优实验设计

    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

  • 用于基于模拟推断的随机梯度贝叶斯最优实验设计

    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

  • 动力系统实验设计中的分层粒子滤波

    本文提出了一种新颖的贝叶斯实验设计方法，将其作为风险敏感型策略优化来进行，我们开发了一种内外 SMC^2 算法，用嵌套顺序蒙特卡洛估计器来估计预期信息增益，并将其嵌入到一个粒子马尔可夫链蒙特卡洛框架中进行基于梯度的策略优化，与近期的方法相比，我们的方法不依赖于对预期信息增益使用偏差估计器来通过预先学习设计策略来摊销实验成本，在一组动力系统上的数值验证展示了我们方法的有效性与其他最先进策略的比较。

    Feb, 2024

  • 变分贝叶斯最优实验设计

    本文介绍了一种基于模型推理的方法来估计 Bayesian 最优实验设计中的信息获取量，并通过多个实验展示了该方法相较于之前的方法具有更快速度和更准确的结果。

    Mar, 2019

  • 设计贝叶斯最优实验的统一随机梯度方法

    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

  • 贝叶斯实验设计中预期信息增益梯度的估计

    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