Feb, 2024

粒子基于贝叶斯最优自适应设计

PDF
TL;DR我们提出了一种名为 PASOA 的新程序，用于贝叶斯实验设计，通过同时提供参数推断的连续后验分布的准确估计来执行顺序设计优化。该程序使用对比估计原理、随机优化和顺序蒙特卡洛采样器来进行顺序设计过程，以最大化预期信息增益。通过在连续后验分布之间逐渐增大距离，获得了较大的信息增益，但这会影响经典顺序蒙特卡洛采样器的性能。为解决这个问题，我们提出了温度调节方法，旨在同时实现较大的信息增益和准确的蒙特卡洛采样，它对性能至关重要。这种随机优化和温度调节的新颖组合能够共同处理设计优化和参数推断。我们证明了所得到的最优设计估计器具有一些一致性特性。数值实验证实了这种方法的潜力，该方法胜过其他最近存在的程序。
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

  • 自动模型比较：一种自适应顺序蒙特卡罗方法

    使用序贯蒙特卡罗取样策略来刻画收集一系列模型以及这些模型的参数的后验分布，以及比较其它技术的性能表明，该方法在相等的计算代价和较少的特定应用类型的实施工作情况下总是竞争性的，并且往往比替代技术优越得多。

    Mar, 2013

  • 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

  • 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

  • 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

  • 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

  • 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

  • 偏好感知的约束多目标贝叶斯优化

    本研究提出了一种基于贝叶斯优化的 PAC-MOO 方法来解决在大部分输入空间不可行时（即违反约束条件），由实践者指定目标函数的约束多目标优化问题，特别地，在电路和电力系统设计等工程设计问题中。该方法能够学习输出目标和约束的代理模型，并选择在每次迭代中评估最大程度能获得有关最佳受约束 Pareto 前沿的信息且同时考虑目标偏好的候选输入，实验结果表明 PAC-MOO 比现有方法更加有效。

    Mar, 2023

  • 基于路径的实用贝叶斯优化

    我们提出了一种扩展的 SnAKe 算法，可以同时处理实验成本和输入参数变化成本，包括最大允许输入变化和多目标设置。

    Dec, 2023

  • 自适应近似贝叶斯计算

    研究表明，基于真实重要性抽样的序贯技术可以应用于人口遗传学举例，以比较近似计算算法的其他版本，并提高了近似贝叶斯计算的效率和准确性。

    May, 2008