×
阿维德·巴图斯卡;路易斯·埃斯帕特;劳尔Tempone

具有干扰不确定性的贝叶斯最优实验设计的小噪声近似。 （英语） 兹比尔1507.62273

计算。方法应用。机械。工程师。 399，文章ID 115320，21 p.（2022）; 更正同上，410，文章ID 115995，6 p.（2023）。
摘要：计算最佳贝叶斯实验设计中的预期信息增益通常依赖于嵌套蒙特卡罗抽样。当模型还包含妨害参数时，这些参数会导致系统的整体不确定性，但在贝叶斯设计框架中不受关注，这会引入第二个内部回路。我们为这个额外的内环提出并推导了一个小噪声近似值。通过对剩余内环应用拉普拉斯近似，可以进一步降低我们方法的计算成本。因此，我们提出了两种方法，即小噪声双回路蒙特卡罗方法和小噪声蒙特卡罗-拉普拉斯方法。此外，我们还证明，这两种方法的总体复杂性与无干扰不确定性的情况相比仍具有可比性。为了评估这些方法的效率，我们给出了三个示例，最后一个示例包括用于复合层压板材料电阻抗层析成像实验的偏微分方程。

引用于1审查

MSC公司：

62K05美元 最佳统计设计
2015年1月62日 贝叶斯推断
65二氧化碳 蒙特卡罗方法

关键词：

贝叶斯实验设计;干扰不确定性;小噪声近似;蒙特卡洛;拉普拉斯近似;重要性抽样
PDF格式BibTeX公司 XML格式引用
\textit{A.Bartuska}等人，计算。方法应用。机械。工程399，文章ID 115320，21 p.（2022；Zbl 1507.62273）
全文： 内政部 arXiv公司

参考文献：

[1] Chaloner，K。；Verdinelli，I.，《贝叶斯实验设计：综述》，《统计科学》。，10, 273-304 (1995) ·Zbl 0955.62617号
[2] Kullback，S。；Leibler，R.A.，《信息与充分性》，《数学年鉴》。《统计》，22，79-86（1951）·Zbl 0042.38403号
[3] Kullback，S.，《信息理论与统计》（1959年），威利·Zbl 0149.37901号
[4] Lindley，D.V.，《关于实验所提供信息的测量》，Ann.Math。Stat.，27，986-1005（1956）·Zbl 0073.14103号
[5] Ryan，K.J.，《应用于随机疲劳极限模型的实验设计预期信息增益估算》，J.Compute。图表。《统计》，第12卷，第585-603页（2003年）
[6] Stigler，S.M.，拉普拉斯1774年关于逆概率的回忆录，《统计学》。科学。，1, 359-378 (1986) ·兹比尔0618.62002
[7] 蒂尔尼，L。；Kadane，J.B.，《后力矩和边缘密度的精确近似值》，J.Amer。统计师。协会，81，82-86（1986）·Zbl 0587.62067号
[8] 蒂尔尼。；Kass，R.E。；Kadane，J.B.，非正函数期望和方差的完全指数拉普拉斯近似，J.Amer。统计师。协会，84，710-716（1989）·Zbl 0682.62012号
[9] Kass，R.E。；蒂尔尼，L。；Kadane，J.B.，《基于拉普拉斯方法的后路扩张的有效性》，（Geisser，s.；Hodges，J.s.；Press，s.J.；Zellner，A.，《纪念乔治·巴纳德的论文》（1990）），473-488·Zbl 0734.62034号
[10] 贝克，J。；直径，B.M。；Espath，L.F。；龙，Q。；Tempone，R.，《快速贝叶斯实验设计：基于Laplace的预期信息增益重要性抽样》，计算。方法应用。机械。工程，334523-553（2018）·Zbl 1440.62293号
[11] 贝克，J。；直径，B.M。；Espath，L.F。；Tempone，R.，《贝叶斯最优实验设计的多级双环蒙特卡罗和重要抽样随机配置方法》，国际。J.数字。方法工程，121，3482-3503（2020）
[12] Carlon，A.G。；直径，B.M。；Espath，L.F。；Lopez，R.H。；Tempone，R.，Nesterov-aided随机梯度法，使用拉普拉斯近似进行贝叶斯设计优化，计算。方法应用。机械。工程，363，第112909条pp.（2020）·Zbl 1436.62372号
[13] 冯，C。；Marzouk，Y.M.，聚焦最优贝叶斯实验设计的分层多重重要性抽样方案（2019），arXiv预印本arXiv:1903.11187
[14] 席林斯，C。；斯普伦克，B。；Wacker，P.，关于贝叶斯反问题基于Laplace的蒙特卡罗方法的Laplace近似的收敛性和噪声级鲁棒性，Numer。数学。，145, 915-971 (2020) ·Zbl 1446.65098号
[15] Wacker，P.，《贝叶斯反问题中的拉普拉斯方法》（2017），arXiv预印arXiv:1701.07989
[16] 赫林，T。；Kretschmann，R.，贝叶斯反问题中拉普拉斯近似的非症状误差估计，数值。数学。，150, 521-549 (2022) ·Zbl 1523.47061号
[17] Spokoiny，V.，高维拉普拉斯近似精度的无量纲非渐近界（2022），arXiv预印本arXiv:2204.11038
[18] 龙，Q。；莫塔米德，M。；Tempone，R.，震源反演的快速贝叶斯最优实验设计，计算机。方法应用。机械。工程，291123-145（2015）·Zbl 1423.74006号
[19] 比塞蒂，F。；Kim，D。；克尼奥，O。；龙，Q。；Tempone，R.，紧凑支撑先验的最优贝叶斯实验设计及其在燃烧动力学冲击管实验中的应用，国际。J.数字。方法工程，108，136-155（2016）
[20] Bernardo，J.M.，贝叶斯推断的参考后验分布，J.R.Stat.Soc.Ser。B统计方法。，41 (1979) ·Zbl 0428.62004号
[21] Polson，N.G.，《统计建模的贝叶斯观点》（1988），诺丁汉大学数学系（博士论文）
[22] Liepe，J。；菲利普，S。；科莫罗夫斯基，M。；Stumpf，M.P.H.，最大化系统生物学实验的信息含量，公共科学图书馆·计算。生物学，9，1-13（2013）
[23] Long，Q.，贝叶斯实验设计中的多模态信息增益（2021），arXiv预印本arXiv:2108.07224
[24] M.肯尼迪。；O'Hagan，A.，《计算机模型的贝叶斯校准》，J.R.Stat.Soc.，63，425-464（2001）·Zbl 1007.62021号
[25] 亚历山大·A。；佩特拉，N。；斯塔德勒，G。；Sunseri，I.，《可简化模型不确定性下大规模贝叶斯线性逆问题的优化设计：很好地了解你不知道的东西》（2020），arXiv预印本arXiv:2006.11939·Zbl 1460.62120号
[26] Levine，D.S.，《聚焦主动推理》（2014），麻省理工学院航空航天系（博士论文）
[27] 龙，Q。；斯卡维诺，M。；丹蓬，R。；Wang，S.，基于拉普拉斯近似的贝叶斯实验设计预期信息增益的快速估计，计算。方法应用。机械。工程，259，24-39（2013）·Zbl 1286.62068号
[28] 龙，Q。；斯卡维诺，M。；丹蓬，R。；Wang，S.，欠定贝叶斯最优实验设计的拉普拉斯方法，计算。方法应用。机械。工程，285849-876（2015）·Zbl 1426.62221号
[29] 萨默萨洛，E。；M.切尼。；Isaacson，D.，电流计算机断层扫描电极模型的存在性和唯一性，SIAM J.Appl。数学。，52, 1023-1040 (1992) ·Zbl 0759.35055号
[30] Shannon，C.E.，通信数学理论，贝尔系统。《技术期刊》，27，379-423（1948）·Zbl 1154.94303号
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。