关键词bayesian optimal experimental design
搜索结果 - 12
- 变分贝叶斯最优实验设计与归一化流
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。
- 基于语言模型的贝叶斯偏好引导
将 AI 系统与用户的兴趣相协调需要理解和融入人类复杂的价值观和偏好。我们介绍了一个名为 OPEN 的框架,它利用贝叶斯最优实验设计(BOED)指导选择信息丰富的问题,并利用语言模型(LM)提取特征和将抽象的 BOED 查询转化为自然语言问 - 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 - ICML用于基于模拟推断的随机梯度贝叶斯最优实验设计
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。
- 基于机器学习的超快自旋动力学实验设计及参数估计
该研究介绍了一种将机器学习与贝叶斯最优实验设计相结合的方法,可以在有限的实验时间内更精确地预测模型参数,从而指导光子波动光谱的实验并取得更多的信息,同时可以采用其他实验方法用于数据收集和加快科学发现。
- 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。
- 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 - ICLR基于模型的强化学习的实验设计视角
本文提出利用贝叶斯最优实验设计思想指导选择状态 - 动作对查询以达到高效学习的方法,即提出一种衡量一个状态 - 动作对对马尔可夫决策过程的最优解提供多少信息的获取函数,在每次迭代中,我们的算法最大化这个获取函数,选择提供最多信息的状态 - - 隐式深度自适应设计:基于策略的实验设计,无需似然函数
提出了一种利用隐式模型进行的实时自适应实验的新方法 - iDAD,通过学习设计策略网络来摊销贝叶斯最优实验设计的成本,并可在实验时快速部署,可以在毫秒内做出设计决策。
- 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。
- 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。
- 寻找最优 Bayesian 实验设计的自然选择启发式算法
我们提出了一种适用于一般优化问题的高效搜索启发式算法,特别针对 Bayesian 最优实验设计问题,并通过评估死亡,药物动力学和逻辑回归模型的最优 Bayesian 实验设计来展示其优越性,作为中等规模设计问题(即大约 40 个维度)的计算