ICMLJun, 2023

用于基于模拟推断的随机梯度贝叶斯最优实验设计

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 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

  • 贝叶斯实验设计中基于梯度的随机优化方法

    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

  • 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

  • 基于强化学习的变分顺序最优实验设计

    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

  • 面向目标的贝叶斯最优非线性模型实验设计中的马尔可夫链蒙特卡洛方法

    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

  • 通过互信息的顺序贝叶斯实验设计隐式模型

    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

  • SBI：基于模拟推断的工具包

    文中介绍了一种基于神经网络的 SBI 算法，能够利用科学原理通过黑盒模拟器进行精确推断，并解决了单一最优解的限制，从而实现全参数空间后验分布的估计。

    Jul, 2020

  • 基于摊还的贝叶斯决策模拟建模

    该研究利用基于仿真的推断方法解决了如何在随机模拟器上进行贝叶斯决策，并且通过训练神经网络预测期望成本，以推断具有最低成本的行动。

    Dec, 2023

  • 使用机器学习设计最优行为实验

    本研究提供了有关利用 BOED 及机器学习寻找可为任何类型的可模拟数据的模型提供最佳实验的教程，以及如何使用此过程的副产品快速、简便地评估模型及其参数与真实实验数据的方法，并利用模拟和真实实验验证了所提出方法的有效性。

    May, 2023