論文の概要: Goal-driven Bayesian Optimal Experimental Design for Robust Decision-Making Under Model Uncertainty

• arxiv url: http://arxiv.org/abs/2605.26093v1
• Date: Mon, 25 May 2026 17:53:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:20.635807
• Title: Goal-driven Bayesian Optimal Experimental Design for Robust Decision-Making Under Model Uncertainty
• Title（参考訳）: モデル不確かさ下でのロバスト意思決定のためのゴール駆動ベイズ最適実験設計
• Authors: Jinwoo Go, Xiaoning Qian, Byung-Jun Yoon,
• Abstract要約: 決定クリティカルな設定では、パラメータの不確実性を減らすことは、必ずしも下流の決定を改善するとは限らない。 本稿では,GoBOEDを提案する。GoBOEDはゴール駆動型フレームワークで,特定の意思決定目標に対して実験設計を直接最適化する。 GoBOEDは、下流の意思決定目標との整合性を向上した設計を特定し、ゴールに依存しないBOEDアプローチによって予測されるものよりも、ほぼ最適なデザインウィンドウがかなり広いことを明らかにした。
• 参考スコア（独自算出の注目度）: 19.476908693512645
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Bayesian optimal experimental design (BOED) selects experiments to maximize information gain about model parameters. However, in decision-critical settings, reducing parameter uncertainty does not necessarily improve downstream decisions, as only specific parameter directions relevant to the objective truly matter. We propose GoBOED, a goal-driven BOED framework that directly optimizes experimental designs for a specified decision-making objective. GoBOED combines an amortized variational posterior surrogate with a differentiable convex decision layer, enabling gradient-based design optimization that is fully decision-focused. We theoretically show that GoBOED gradients are insensitive to parameter directions irrelevant to the decision objective, providing a formal justification for why goal-driven design achieves equivalent decision quality over a wider set of experimental designs than information-gain maximization. Empirically, across source localization, epidemic management, and pharmacokinetic control, GoBOED identifies designs that better align with downstream decision objectives and reveals that near-optimal design windows are substantially wider than those predicted by goal-agnostic BOED approaches.
• Abstract（参考訳）: ベイズ最適実験設計(BOED)は、モデルパラメータに関する情報ゲインを最大化する実験を選択する。 しかし、決定クリティカルな設定では、パラメータの不確実性を減らすことは、必ずしも下流の決定を改善するわけではない。 ゴール駆動型BOEDフレームワークであるGoBOEDを提案する。 GoBOEDは、補正された後続サロゲートと微分可能な凸決定層を組み合わせることで、完全に決定にフォーカスした勾配に基づく設計最適化を可能にする。 理論的には、GoBOED勾配は決定目的とは無関係にパラメータ方向に対して無関心であることを示し、なぜゴール駆動設計が情報ゲインの最大化よりも幅広い実験設計に対して等価な意思決定品質を達成するのかを公式に正当化する。 実験的に、ソースローカライゼーション、疫病管理、薬物動態制御を通じて、GoBOEDは下流の意思決定目標とよりよく整合した設計を特定し、ゴールに依存しないBOEDアプローチによって予測されるものよりも、ほぼ最適なデザインウィンドウがかなり広いことを明らかにした。

関連論文リスト

• TCPO: Thought-Centric Preference Optimization for Effective Embodied Decision-making [75.29820290660065]
  本稿では,効果的な具体的意思決定のための思考中心推論最適化(TCPO)を提案する。 モデルの中間的推論プロセスの整合性を強調し、モデル劣化の問題を緩和する。 ALFWorld環境での実験では、平均成功率は26.67%であり、RL4VLMよりも6%向上している。
  論文  参考訳（メタデータ） (2025-09-10T11:16:21Z)
• Goal-Oriented Sequential Bayesian Experimental Design for Causal Learning [2.89781371591051]
  GO-CBEDはシーケンシャルな因果実験設計のためのゴール指向のベイズ的フレームワークである。 このフレームワークは、介入シーケンス全体の最適化と、因果クエリに関連するモデルアスペクトのみを対象としている。 GO-CBEDは、様々な因果推論および発見タスクにおいて、既存のベースラインを一貫して上回っていることを実証する。
  論文  参考訳（メタデータ） (2025-07-10T00:53:57Z)
• Preference-Guided Diffusion for Multi-Objective Offline Optimization [64.08326521234228]
  オフライン多目的最適化のための優先誘導拡散モデルを提案する。 我々の指導は、ある設計が他の設計を支配する確率を予測するために訓練された選好モデルである。 本結果は,多種多様な高品質な解を生成する上での分類器誘導拡散モデルの有効性を浮き彫りにした。
  論文  参考訳（メタデータ） (2025-03-21T16:49:38Z)
• Amortized Bayesian Experimental Design for Decision-Making [22.250312394159945]
  本稿では、下流決定ユーティリティの最大化を優先する、償却決定対応のBEDフレームワークを提案する。 本稿では,新しいアーキテクチャであるTransformer Neural Decision Process (TNDP)を導入する。 提案手法は複数のタスクにまたがって性能を実証し,情報的設計を実現し,正確な意思決定を容易にすることを示す。
  論文  参考訳（メタデータ） (2024-11-04T13:06:46Z)
• A Likelihood-Free Approach to Goal-Oriented Bayesian Optimal Experimental Design [0.0]
  本稿では,非線形観測および予測モデルを用いたGO-OEDの計算方法であるLF-GO-OED(likelihood-free goal-oriented optimal experiment design)を紹介する。 暗黙のモデルに適応するように特別に設計されている。 本手法は既存の方法によるベンチマーク問題で検証され,疫学および神経科学の科学的応用で実証された。
  論文  参考訳（メタデータ） (2024-08-18T19:45:49Z)
• Diffusion Model for Data-Driven Black-Box Optimization [54.25693582870226]
  我々は、強力な生成AI技術である拡散モデルに注目し、ブラックボックス最適化の可能性について検討する。 本研究では,1)実数値報酬関数のノイズ測定と,2)対比較に基づく人間の嗜好の2種類のラベルについて検討する。 提案手法は,設計最適化問題を条件付きサンプリング問題に再構成し,拡散モデルのパワーを有効活用する。
  論文  参考訳（メタデータ） (2024-03-20T00:41:12Z)
• 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)
• End-to-End Learning for Fair Multiobjective Optimization Under Uncertainty [55.04219793298687]
  機械学習における予測-Then-Forecast(PtO)パラダイムは、下流の意思決定品質を最大化することを目的としている。 本稿では,PtO法を拡張して,OWA(Nondifferentiable Ordered Weighted Averaging)の目的を最適化する。 この結果から,不確実性の下でのOWA関数の最適化とパラメトリック予測を効果的に統合できることが示唆された。
  論文  参考訳（メタデータ） (2024-02-12T16:33:35Z)
• Regret Bounds and Experimental Design for Estimate-then-Optimize [9.340611077939828]
  実用的なアプリケーションでは、データは見積もりと最適化の2つのステップで決定される。 見積もりステップのエラーは、見積もりを最適化して、サブ最適決定に導くことができる。 我々は、滑らかで制約のない最適化問題に対するこの後悔に縛られた小説を提供する。
  論文  参考訳（メタデータ） (2022-10-27T16:13:48Z)
• 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)

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。