論文の概要: Accelerated Bayesian Optimal Experimental Design via Conditional Density Estimation and Informative Data

• arxiv url: http://arxiv.org/abs/2507.15235v1
• Date: Mon, 21 Jul 2025 04:41:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-22 20:51:32.253266
• Title: Accelerated Bayesian Optimal Experimental Design via Conditional Density Estimation and Informative Data
• Title（参考訳）: 条件密度推定とインフォーマティブデータによるベイズ最適設計
• Authors: Miao Huang, Hongqiao Wang, Kunyu Wu,
• Abstract要約: 実験設計 (Design of Experiments, DOEs) は、実験結果の妥当性、信頼性、効率を高めるための体系的な原則と技法を研究者に提供する基本的な科学的方法論である。 本研究では,ベイズ定理を用いてベイズフレームワーク内の最適実験設計を探索し,実用性期待を再構築する。
• 参考スコア（独自算出の注目度）: 0.4178382980763478
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The Design of Experiments (DOEs) is a fundamental scientific methodology that provides researchers with systematic principles and techniques to enhance the validity, reliability, and efficiency of experimental outcomes. In this study, we explore optimal experimental design within a Bayesian framework, utilizing Bayes' theorem to reformulate the utility expectation--originally expressed as a nested double integral--into an independent double integral form, significantly improving numerical efficiency. To further accelerate the computation of the proposed utility expectation, conditional density estimation is employed to approximate the ratio of two Gaussian random fields, while covariance serves as a selection criterion to identify informative datasets during model fitting and integral evaluation. In scenarios characterized by low simulation efficiency and high costs of raw data acquisition, key challenges such as surrogate modeling, failure probability estimation, and parameter inference are systematically restructured within the Bayesian experimental design framework. The effectiveness of the proposed methodology is validated through both theoretical analysis and practical applications, demonstrating its potential for enhancing experimental efficiency and decision-making under uncertainty.
• Abstract（参考訳）: 実験設計 (Design of Experiments, DOEs) は、実験結果の妥当性、信頼性、効率を高めるための体系的な原則と技法を研究者に提供する基本的な科学的方法論である。 本研究では,ベイズ理論を応用して,ベイズの定理を応用して,独立二重積分形式へのネスト二重積分として表現し,数値効率を著しく向上させることにより,ベイズフレームワーク内の最適実験設計を考察する。 提案したユーティリティ予測の計算をさらに高速化するため,2つのガウス確率場の比を近似するために条件密度推定を用い,共分散はモデルフィッティングおよび積分評価における情報データセットの同定のための選択基準として機能する。 シミュレーション効率の低さと生データ取得の高コストを特徴とするシナリオでは、サロゲートモデリング、故障確率推定、パラメータ推定といった重要な課題がベイズの実験的設計枠組み内で体系的に再構成される。 提案手法の有効性は理論的解析と実践的応用の両方を通じて検証され,不確実性の下で実験効率と意思決定を向上する可能性を示す。

関連論文リスト

• Optimal Adaptive Experimental Design for Estimating Treatment Effect [14.088972921434761]
  本稿では,治療効果を推定する際の最適精度を決定するための基本的な問題に対処する。 二重ロバストな手法の概念を逐次実験設計に取り入れることで、最適推定問題をオンラインバンディット学習問題としてモデル化する。 本稿では,バンディットアルゴリズム設計と適応統計的推定の両方のツールとアイデアを用いて,一般的な低スイッチング適応実験フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-07T23:22:51Z)
• Enhanced Bayesian Optimization via Preferential Modeling of Abstract Properties [49.351577714596544]
  本研究では,非測定抽象特性に関する専門家の嗜好を代理モデルに組み込むための,人間とAIの協調型ベイズフレームワークを提案する。 優先判断において、誤った/誤解を招く専門家バイアスを処理できる効率的な戦略を提供する。
  論文  参考訳（メタデータ） (2024-02-27T09:23:13Z)
• Effect Size Estimation for Duration Recommendation in Online Experiments: Leveraging Hierarchical Models and Objective Utility Approaches [13.504353263032359]
  仮定効果サイズ(AES)の選択は、実験の期間を決定的に決定し、その結果、その精度と効率が決定される。 伝統的に、実験者はドメイン知識に基づいてAESを決定するが、この方法は多数の実験を管理するオンライン実験サービスにとって実用的ではない。 オンライン実験サービスにおけるデータ駆動型AES選択のための2つのソリューションを提案する。
  論文  参考訳（メタデータ） (2023-12-20T09:34:28Z)
• MAntRA: A framework for model agnostic reliability analysis [0.0]
  時間依存型信頼性解析のための新しいモデルデータ駆動型信頼性解析フレームワークを提案する。 提案手法は、解釈可能な機械学習、ベイズ統計、動的方程式の同定を組み合わせたものである。 以上の結果から,提案手法の信頼性評価への応用の可能性が示唆された。
  論文  参考訳（メタデータ） (2022-12-13T00:57:09Z)
• Validation Diagnostics for SBI algorithms based on Normalizing Flows [55.41644538483948]
  本研究は,NFに基づく多次元条件(後)密度推定器の検証診断を容易にすることを提案する。 また、局所的な一貫性の結果に基づいた理論的保証も提供する。 この作業は、より良い特定モデルの設計を支援したり、新しいSBIアルゴリズムの開発を促進するのに役立つだろう。
  論文  参考訳（メタデータ） (2022-11-17T15:48:06Z)
• Design Amortization for Bayesian Optimal Experimental Design [70.13948372218849]
  予測情報ゲイン(EIG)のバウンダリに関してパラメータ化された変分モデルを最適化する。 実験者が1つの変分モデルを最適化し、潜在的に無限に多くの設計に対してEIGを推定できる新しいニューラルアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-10-07T02:12:34Z)
• Robust multi-stage model-based design of optimal experiments for nonlinear estimation [0.0]
  本研究では,モデルに基づく実験の高次設計へのアプローチについて検討する。 マルチステージロバスト最適化に基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-11-11T19:50:31Z)
• Optimal Bayesian experimental design for subsurface flow problems [77.34726150561087]
  本稿では,設計ユーティリティ機能のためのカオス拡張サロゲートモデル(PCE)の開発のための新しいアプローチを提案する。 この手法により,対象関数に対する適切な品質応答面の導出が可能となり,計算予算は複数の単点評価に匹敵する。
  論文  参考訳（メタデータ） (2020-08-10T09:42:59Z)
• Efficient Ensemble Model Generation for Uncertainty Estimation with Bayesian Approximation in Segmentation [74.06904875527556]
  アンサンブルセグメンテーションモデルを構築するための汎用的で効率的なセグメンテーションフレームワークを提案する。 提案手法では,層選択法を用いて効率よくアンサンブルモデルを生成することができる。 また,新たな画素単位の不確実性損失を考案し,予測性能を向上する。
  論文  参考訳（メタデータ） (2020-05-21T16:08:38Z)
• Incorporating Expert Prior Knowledge into Experimental Design via Posterior Sampling [58.56638141701966]
  実験者は、グローバルな最適な場所に関する知識を得ることができる。 グローバル最適化に関する専門家の事前知識をベイズ最適化に組み込む方法は不明である。 効率の良いベイズ最適化手法は、大域的最適の後方分布の後方サンプリングによって提案されている。
  論文  参考訳（メタデータ） (2020-02-26T01:57:36Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。