HASOD: A Hybrid Adaptive Screening-Optimization Design for High-Dimensional Industrial Experiments
HASOD：面向高维工业实验的混合自适应筛选—优化设计AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要内容属于工业实验设计与序贯优化方法，涉及筛选统计量与高斯过程优化，未涉及所提供领域细分中的因果推断、面板、时间序列、资产定价等方向，故不选择任何细分领域。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
HASOD：面向高维工业实验的混合自适应筛选—优化设计
- 研究问题
- 摘要称，工业实验既需筛选关键因子又需优化响应，而传统做法将二者分为独立阶段，导致需顺序实验并在阶段间重新设计；本文关注能否在统一的自适应框架内同时完成因子识别与响应面优化。
- 方法与思路
- 作者提出三阶段序贯框架：第一阶段用改进的确定性筛选设计，并以结合ElasticNet交互检测的累积加权效应筛选统计量（CWESS）筛选因子；第二阶段依据第一阶段识别的关键因子自适应选择扩充策略，从全因子到响应面方法设计；第三阶段用高斯过程全局优化，并在预测最优附近做不确定性引导的细化。
- 材料陈述的贡献
- 摘要称作者证明了CWESS能渐近区分活跃与非活跃因子，提供分类一致性保证；在六个测试场景中报告因子检测准确率97.08%，高于传统序贯方法的83.33%，并称显著优于八个对比方法，且在含强交互系统中各场景检测率均达90%以上。
- 阅读关注点
- 应核对CWESS的渐近性质所需假设与证明条件、ElasticNet交互检测的具体设定、第二阶段扩充策略的选择规则、高斯过程优化的实现与停止准则，以及六个测试场景的构造方式、对比方法设置与准确率、预测误差、实验次数等指标的可复现性。
- 阅读边界
- 仅依据摘要，无法判断证明的严格性、模拟场景的代表性与结论的外部有效性；摘要未说明真实工业案例、计算成本与敏感性分析。该文为arXiv预印本，未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
Industrial experimentation requires both factor screening to identify critical variables and response optimization to find optimal operating conditions. Traditional approaches treat these as separate phases, necessitating costly sequential experimentation and full experimental redesign between phases. This paper introduces HASOD (Hybrid Adaptive Screening-Optimization Design), a novel three-phase sequential framework that simultaneously addresses factor identification and response surface optimization within a unified adaptive structure. Phase 1 employs a modified Definitive Screening Design with an enhanced Cumulative Weighted Effect Screening Statistic (CWESS) incorporating interaction detection via ElasticNet regression. Phase 2 adaptively selects augmentation strategies -- from full factorial to Response Surface Methodology designs -- based on critical factors identified in Phase 1. Phase 3 applies Gaussian process-based global optimization with uncertainty-guided refinement near the predicted optimum. We prove that CWESS asymptotically separates active from inactive factors, providing classification consistency guarantees absent from most screening methodologies. Across six test scenarios, HASOD achieves 97.08% factor detection accuracy -- 13.75 percentage points above traditional sequential methods (83.33%) -- and significantly outperforms all eight competitor methods (p =90% detection across all scenarios including interaction-heavy systems. The framework requires an average of 41.5 experimental runs -- a 43% increase over traditional approaches -- yet delivers superior detection accuracy with dramatically reduced prediction error. HASOD offers a theoretically grounded, unified framework that eliminates sequential redesign without sacrificing predictive capability.