摘要
贝叶斯实验设计（BED）为优化实验设计提供了一个强大的通用框架。然而，它的部署往往会带来巨大的计算挑战，这可能会破坏它的实际使用。在这篇综述中，在讨论该领域未来发展的一些领域之前，我们概述了最近的进展如何改变了我们克服这些挑战的能力，从而有效地利用BED。
资金筹措表
Desi R.Ivanova得到了EPSRC现代统计学和统计机器学习博士培训中心（EP/S023151/1）的支持。Freddie Bickford Smith得到了EPSRC自主智能机器和系统博士培训中心（EP/S02450/1）的支持。
致谢
我们要感谢Dennis Prangle和Christian Robert邀请我们撰写本文，以及他们在审查过程中提供的有益反馈。我们还要感谢其他匿名评论员提出的有用建议。
引用
下载引文
汤姆·雷诺思（Tom Rainforth）。
亚当·福斯特。
德西·伊万诺娃。
弗雷迪·比克福德·史密斯。
“现代贝叶斯实验设计。”
统计师。科学。
39
（1）
100 - 114,
2024年2月。
https://doi.org/10.1214/23-STS915
问询处
发布日期：2024年2月
欧几里德项目首次提供：2024年2月18日
数字对象标识符：10.1214/23-STS915
关键词：主动学习,贝叶斯自适应设计,贝叶斯优化设计,信息最大化
权利：本研究全部或部分由[EPSRC，EP/SO23151/1]资助。根据授权书的开放访问条件，CC BY 4.0许可证适用于本文。
