Fast Bayesian experimental design: Laplace-based importance sampling for the expected information gain

در محاسبه به دست آوردن اطلاعات مورد انتظار در طراحی آزمایشگاهی بیزی، محاسبه حلقه داخلی در مونت کارلو دو حلقه کلاسیک، تعداد زیادی از نمونه ها را به وجود می آورد و اگر تعداد نمونه ها کوچک باشد، از زیر جریان رنج می برد. این اشکالات را می توان با استفاده از رویکرد نمونه برداری اهمیت اجتناب کرد. ما یک روش محاسباتی کارآمد برای طراحی تجربی بیزی ایفا می کنیم که نمونه گیری اهمیت را بر اساس روش لاپلاس به حلقه درونی معرفی می کند. ما مقادیر بهینه برای پارامترهای متد را بدست می آوریم که در آن میانگین هزینه محاسبات برای تحمل خطا مشخص شده به حداقل می رسد. ما از سه مثال عددی برای نشان دادن کارایی محاسباتی روش ما در مقایسه با مونت کارلو دو حلقه کلاسیک و یک روش مونت کارلو یک تک حلقه استفاده می کنیم که از تقریب لاپلاس ارزش بازگشتی حلقه درونی استفاده می کند. اولین مثال تظاهرات یک مشکل اسکالر است که در پارامتر نامعین خطی است. مثال دوم یک مشکل اسکالر غیر خطی است. مثال سوم با قرار دادن سنسور مطلوب برای آزمایش امپدانس الگویی الکتریکی برای بهبود جهت گیری فیبر در کامپوزیت های لامینت انجام می شود.