Query efficient posterior estimation in scientific experiments via Bayesian active learning

در این مقاله، تخمین فعال خلفی در یک محیط بیزی را بررسی می کنیم که احتمال ارزیابی گران قیمت است. تکنیک های موجود برای تخمین خلفی بر اساس نمونه های تولید کننده نماینده خلفی است. چنین روش هایی از لحاظ ارزیابی احتمال ها کارایی را در نظر نمی گیرند. برای کارآمدی پرسشی، برآورد خلفی در یک چارچوب رگرسیون فعال مورد استفاده قرار می گیرد. ما دو استراتژی پرسوجوی مئوپی را پیشنهاد می دهیم تا جایی که احتمال آن را ارزیابی می کنیم و آنها را با استفاده از فرآیندهای گاوسی اجرا کنیم. از طریق آزمایشات بر روی مجموعه ای از نمونه های مصنوعی و واقعی ما نشان می دهد که رویکرد ما به طور قابل توجهی بیشتر پرس و جو از تکنیک های موجود و سایر اکتشافات برای برآورد خلفی کارآمد است.