贝叶斯反问题鲁棒 A - 最优实验设计
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
我们提出了一种适用于一般优化问题的高效搜索启发式算法,特别针对 Bayesian 最优实验设计问题,并通过评估死亡,药物动力学和逻辑回归模型的最优 Bayesian 实验设计来展示其优越性,作为中等规模设计问题(即大约 40 个维度)的计算高效性替代方法。
Mar, 2017
提出一种基于多元高斯过程模拟和 Copula 方法相结合的策略,用于寻找涉及参数估计和模型比较实验目标的困难似然模型的 Bayesian 设计。
Mar, 2018
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
本文介绍了一种扩展的贝叶斯决策实验设计框架,不仅考虑了传统的期望信息增益准则,还引入了期望一般信息增益和期望鉴别信息等准则,以量化模型差异的稳健性和实验检测模型差异的能力。通过应用于一个带有模型差异的弹性质量阻尼系统和 F-16 模型的场景中,展示了该框架的功能。
Apr, 2023
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