- 使用预期信息增益表征交互式分割器性能
我们引入了一种交互分割模型的评估流程，基于贝叶斯实验设计的概念，该流程评估模型对于点提示的理解程度及其与期望分割掩码的对应关系，我们展示了该流程在三个交互分割模型和两个大型图像分割数据集的子集上的应用。
- 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 - 粒子基于贝叶斯最优自适应设计
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 - 贝叶斯实验设计中预期信息增益梯度的估计
为了实现贝叶斯推理的最佳实验条件，本研究提出了两种估计信息增益梯度的方法：UEEG-MCMC 通过马尔科夫链蒙特卡罗生成后验样本来估计信息增益梯度，而 BEEG-AP 通过反复使用参数样本以实现高模拟效率。理论分析和数值研究表明，在实际信息 - 深度贝叶斯实验设计用于量子多体系统
该论文讨论了如何使用贝叶斯实验设计方法和深度神经网络来确定量子技术平台特征，以及如何使用这种方法进行量子模拟和计算。
- 现代贝叶斯实验设计
本文综述了贝叶斯实验设计在优化实验设计方面的应用。最近的进展解决了计算方面的挑战，使得该方法更加实用。同时，文章也探讨了未来该领域的发展方向。
- CO-BED: 基于贝叶斯实验设计的信息论环境优化
通过贝叶斯实验设计的角度形式化了环境优化问题，并提出了 CO-BED - 一种使用信息理论原理设计上下文实验的通用模型不可知框架。CO-BED 通过一系列实验证明了优越性。
- ICML基于贝叶斯实验设计的因果决策实际测试与上下文优化的高效性检验
本文提出了一种用于评估和改进因果机器学习模型下上下文治疗分配决策的数据采集框架，采用贝叶斯实验设计用于数据高效率评估和改进过去治疗分配的遗憾。与 A / B 测试等方法相比，我们的方法通过引入基于信息的设计目标来避免分配已知高度次优的治疗方 - 使用不确定性集合的鲁棒期望信息增益优化贝叶斯实验设计
该研究提出了一种修改后的 EIG 最大化目标函数，称之为 REIG，并利用其在近似 KL - 散度的先验概率分布的模糊区间内最小化关于 EIG 的仿射松弛。研究表明，当与基于采样的 EIG 估计相结合时，REIG 对可估计量的变异性也进行了 - ICML深度自适应设计：序贯贝叶斯实验设计的摊销
本文介绍了深度自适应设计（DAD）方法，通过一次前期学习建立自适应贝叶斯实验设计的成本分摊，实现了实时运行实验的功能。
- 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。
- ICML通过互信息神经估计的贝叶斯隐式模型实验设计
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。
- 隐式模型的高效贝叶斯实验设计
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。
- ICMLEDDI: 使用部分 VAE 高效动态发现高价值信息
提出基于贝叶斯实验设计理论和部分变分自编码器的 EDDI（高价值信息的高效动态发现）框架，通过最大化预期信息增益的获取函数，在多个机器学习基准测试和两个真实的医疗应用中，显示了在相同的决策质量下的成本减少和在相同的成本下的决策质量的提高。
- 一般随机效用模型的偏好引导
本文探讨了基于参数化建模的 {General Random Utility Models (GRUMs)}，并基于贝叶斯实验设计的原则提出了两种 GRUMs 的偏好引导方案，其中之一适用于社会选择，另一种适用于个性化选择。我们还结合 Mon