Oct, 2023

非参数离散选择实验与机器学习引导的自适应设计

PDF
TL;DR通过渐变调查（GBS）实验设计多属性产品以满足消费者偏好，GBS 基于用户之前的选择，无需参数化效用模型，可以应用于具有数百个属性的产品并设计面向异质消费者的个性化产品，模拟结果表明 GBS 在准确性和样本效率方面优于现有的参数化和非参数化方法。
gradient-based surveyconsumer preferencesproduct designexperiment designparametric and nonparametric methods
发现论文，激发创造
  • 可微分的多目标因果贝叶斯实验设计

    我们提出了一种基于梯度的方法来解决贝叶斯最优实验设计问题，以在批处理设置中学习因果模型。我们完全摆脱了黑盒优化技术和贪婪启发式方法，并提出了一个概念上简单的端到端梯度优化过程，以获得一组最优干预目标状态组。这种方法 outperforms 多个基线和现有获取策略，无论是在单目标还是在多目标设置下。

    Feb, 2023

  • 带噪声观测的近最优贝叶斯主动学习

    我们提出了 EC2 这个新的、贪心的主动学习算法，并证明了它与最优策略相竞争，因此得到了关于具有噪声观察的贝叶斯主动学习的第一个竞争保证。我们的结果基于最近发现的一种递减回报性质，称为自适应子模性，将子模集函数的经典概念推广到适应策略中。

    Oct, 2010

  • 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

  • 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

  • 基于无偏 MLMC 随机梯度的贝叶斯实验设计优化

    该论文提出了一种高效的随机优化算法，通过引入随机多层次蒙特卡洛（MLMC）方法，使用无偏的蒙特卡罗估计器求解期望信息增益的梯度，该算法具有较高的性能，可以用于搜索最优的贝叶斯实验设计，适用于简单测试问题和现实药代动力学问题。

    May, 2020

  • 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

  • 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

  • 基于计算可行性的受测量约束回归模型实验选择

    本文提出基于连续松弛和贪心算法的计算方法，用于在给定设计点集中选择一小部分实验设定，重点考虑线性回归模型和广义线性模型。结果表明本文提出的方法可以在合理的计算时间内得到良好的结果。

    Jan, 2016

  • 贝叶斯最优实验设计中的度量标准在模型不准确性下的应用

    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

  • 梯度和不确定性增强的全局拟合序贯抽样

    提出了一种新的全局适应抽样策略，称为梯度和不确定性增强的顺序抽样（GUESS），该策略在该研究中与其他 9 种自适应抽样策略进行了比较，结果表明 GUESS 在测试样例上相比其他基于代理模型的策略具有最高的样本效率。

    Sep, 2023