کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6868635 1440030 2018 13 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
An induced natural selection heuristic for finding optimal Bayesian experimental designs
ترجمه فارسی عنوان
انتخاب الگوریتم انتخاب طبیعی برای یافتن طرحهای آزمایشی بیسین
کلمات کلیدی
طراحی مطلوب بیزی، بهینه سازی اکتشافی، مدل های تصادفی، نمونه برداری از پنجره ها،
ترجمه چکیده
طراحی آزمایشی بهینه بیسین توان بالقوه ای را برای اطلاع رسانی از مجموعه داده ها دارد تا بعدا درک ما از فرآیندهای مختلف را افزایش دهد. با این حال، یک مانع عمده مشکل در ارزیابی طرح های بهینه برای مشکلات فضاهای طراحی بزرگ و یا فضاهای بزرگ است. یک جستجوی اکتشافی کارآمد مناسب برای مشکلات بهینه سازی عمومی، با توجه ویژه به مشکلات طراحی تجربی بیزی، پیشنهاد شده است. اووریستی عملکرد تابع هدف (ابزار) را در یک مجموعه اولیه از مقدار ورودی تولید شده به صورت تصادفی ارزیابی می کند. در هر نسل از الگوریتم، مقادیر ورودی قابل قبول است اگر عملکرد تابع مربوطه (ابزار) آنها برخی از معیارهای پذیرش را برآورده کند، و ورودی های جدید در مورد این موارد پذیرفته شده نمونه برداری می شوند. الگوریتم جدید با ارزیابی طرح های آزمایش تجربی بیزی برای مدل های رگرسیون مرگ، فارماکوکینتیک و لجستیک قبلا در نظر گرفته شده است. مقایسه مقادیر فعلی طلا استاندارد؟ روش برای نشان دادن الگوریتم پیشنهادی به عنوان جایگزینی برای محاسبات برای مشکلات متوسط ​​طراحی بزرگ (به طور تقریبی به اندازه تقریبی 40) داده شده است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر نظریه محاسباتی و ریاضیات
پیش نمایش مقاله
انتخاب الگوریتم انتخاب طبیعی برای یافتن طرحهای آزمایشی بیسین
چکیده انگلیسی
Bayesian optimal experimental design has immense potential to inform the collection of data so as to subsequently enhance our understanding of a variety of processes. However, a major impediment is the difficulty in evaluating optimal designs for problems with large, or high-dimensional, design spaces. An efficient search heuristic suitable for general optimisation problems, with a particular focus on optimal Bayesian experimental design problems, is proposed. The heuristic evaluates the objective (utility) function at an initial, randomly generated set of input values. At each generation of the algorithm, input values are “accepted” if their corresponding objective (utility) function satisfies some acceptance criteria, and new inputs are sampled about these accepted points. The new algorithm is demonstrated by evaluating the optimal Bayesian experimental designs for the previously considered death, pharmacokinetic and logistic regression models. Comparisons to the current “gold-standard” method are given to demonstrate the proposed algorithm as a computationally-efficient alternative for moderately-large design problems (i.e., up to approximately 40-dimensions).
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Computational Statistics & Data Analysis - Volume 126, October 2018, Pages 112-124
نویسندگان
, , , ,