Apr, 2024

变分贝叶斯最优实验设计与归一化流

PDF
TL;DR基于贝叶斯优化实验设计的理论，利用变分方法近似求解后验分布，使用正则化流降低 EIG 估计偏差，并通过梯度优化方法对变分参数和设计变量进行同时优化，其结果在两个基准问题和两个实际应用中验证了方法的有效性。
bayesian optimal experimental designexpected information gainvariational oednormalizing flowseig estimation
发现论文，激发创造
  • 基于条件正态流的概率贝叶斯最优实验设计

    贝叶斯最佳实验设计寻求在预算限制下，通过贝叶斯框架中的实验数据更新系统的先验知识到其后验，具有计算挑战性，我们提出了一种新的联合优化方法，以有效、可伸缩和稳健的方式解决了贝叶斯最佳实验设计问题，在一个具有高维参数和观测值以及选择最有信息的观测的二进制掩模设计的实际磁共振成像数据采集问题中验证了方法的性能。

    Feb, 2024

  • 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

  • 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

  • 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

  • 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

  • 卷积归一化流

    该研究论文介绍了一种基于神经网络和正则化流的灵活变分后验分布逼近方法，提出了一种名为 ConvFlow 的新型正则化流方法，并证明了其在合成和实际问题中的有效性和效率。

    Nov, 2017

  • 高维变分推理的稳定正则流训练

    通过使用软阈值和双射软对数变换方法，本文提出了稳定训练 Real NVPs 并在高维情景下实现更准确的后验近似的方法。

    Feb, 2024

  • 基于贝叶斯归一化流的条件密度估计

    本文提出使用正规化流作为灵活的似然模型，以及提出了一种有效的方法来适应复杂分布的条件密度估计问题，其使用贝叶斯框架对这些条件密度估计器进行先驱概率分析，最终将该方法应用于两大数据集的空间密度建模任务上，并在某些情况下获得了最先进的性能。

    Feb, 2018

  • 可变贝叶斯神经网络的乘法归一化流

    本文将神经网络中的乘性噪声重新解释为辅助的随机变量，并将其引入贝叶斯神经网络的变分设置中。通过使用这种解释，我们展示了通过采用标准化流来改进近似后验估计的高效性和简单性，同时仍允许局部重新参数化和可计算较低的下界。通过实验证明，基于这种新近似方法的贝叶斯神经网络方法在预测准确性和不确定性方面都有显著提高。

    Mar, 2017