介绍了一种基于强化学习的最优实验设计方法，通过改进基于策略的贝叶斯最优实验设计方法，将其重构为一个基于马尔可夫决策过程的奖励函数计算模型，使用无损信息下限来学习策略，提供了快速的离线实验设计方案，适用于非可微隐含模型的模拟实验优化设计。

Mar, 2022

本文介绍了深度自适应设计（DAD）方法，通过一次前期学习建立自适应贝叶斯实验设计的成本分摊，实现了实时运行实验的功能。

Mar, 2021

个性化治疗建议、最佳治疗方法鉴定、上下文信息、自适应实验以及策略学习是这篇研究论文的关键词，通过推荐最佳治疗方法的决策策略获得最小的预期简单后悔，同时为政策学习、实验设计和自适应福利最大化提供了新的方法。

Jan, 2024

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

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

本文提出了一种名为 IIDA 的简单方法，可以在没有真实环境变化情况下自适应环境动态。实验表明，IIDA 显著降低了模型误差，并提高了常用方法的任务性能，适用于机器人在真实场景中的应用。

Mar, 2022

基于经验开发了一种适应性实验设计（AED）框架，用于反事实推断，并在商业环境中进行了测试，以解决在具有非平稳性的工业环境中使用 AED 系统的挑战和问题。

Feb, 2024

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

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

本文讨论了使用自适应实验设计方法在非稳态的工业环境下进行实验的挑战和陷阱，提供了在这些环境中的正确目标和系统规格的不同观点，并基于这些经验开发了一个自适应实验设计框架用于对照推断，并在商业环境中进行了测试。

Oct, 2022