关键词expected information gain
搜索结果 - 8
- 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。
- 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 - 序贯实验设计中的交叉熵估计与强化学习
该研究提出了一种基于交叉熵的替代下界估计方法，其使用灵活的提议分布来近似模型参数的真实后验，不需要对比样本，并且可以在多种任务中实现更加准确的估计和学习。
- 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 - 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。
- NIPSHyrbid-MST: 一种用于成对偏好聚合的混合主动抽样策略
本文提出了一种混合主动抽样策略，利用贝叶斯优化和 Bradley-Terry 模型构建效用函数，并使用高斯 - 好米特积分来评估期望的信息增益，从而恢复稀疏噪声对标。在每次试验中使用全局最大期望信息增益样本或最小生成树样本的混合主动抽样策略