变分贝叶斯最优实验设计与归一化流

文章预览

Variational Bayesian Optimal Experimental Design with Normalizing Flows 变分贝叶斯最优实验设计与归一化流 ‍ https://arxiv.org/pdf/2404.13056 摘要 贝叶斯最优实验设计（OED）旨在寻找能最大化模型参数期望信息增益（EIG） 的实验。直接使用嵌套蒙特卡洛（Monte Carlo）计算EIG是计算密集型的，需要显式似然。相比之下， 变分OED（vOED）估计EIG的下限，而无需进行似然评估，方法是用变分形式来近似后验分布，然后通过优化其变分参数来收紧下限 。我们引入了 归一化流（NFs）来表示vOED中的变分分布；我们称这种方法为vOED-NFs。 具体来说，我们采用了由耦合层组成的组合条件可逆神经网络架构构建的NFs，并通过摘要网络进行数据维度缩减。我们提供了蒙特卡洛估计器来估计下限，以及梯度表达式，以实现基于梯度的 同时优化变分参数和设计变量 。然后，在两个基准问题上 ………………………………