Bayesian Sequential Experimental Design for a Partially Linear Model with a Gaussian Process Prior
高斯过程先验部分线性模型的贝叶斯序贯实验设计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：摘要明确将部分线性模型的参数估计与平均处理效应、平均因果效应的序贯实验设计联系起来。
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
高斯过程先验部分线性模型的贝叶斯序贯实验设计
- 研究问题
- 在实验者可以自适应选择新数据的场景中，如何提高部分线性模型参数分量的估计精度，并在适当条件下估计因果效应？
- 方法与思路
- 作者为具有高斯过程先验的部分线性模型提出贝叶斯序贯实验设计算法，围绕参数估计目标自适应决定收集哪些数据。
- 材料陈述的贡献
- 摘要称参数分量在某些假设下可解释为平均处理或平均因果效应，并以合成及半合成数据数值实验展示算法效果。
- 阅读关注点
- 应核对参数具有因果解释的具体假设、序贯选择准则、高斯过程先验，以及自适应采样后的估计与不确定性处理。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收均未核实；摘要未列出因果解释条件、理论效率保证或数值实验改善幅度。
原文摘要
We study the problem of sequential experimental design to estimate the parametric component of a partially linear model with a Gaussian process prior. We consider an active learning setting where an experimenter adaptively decides which data to collect to achieve their goal efficiently. The experimenter's goals may vary, such as reducing the classification error probability or improving the accuracy of estimating the parameters of the data generating process. This study aims to improve the accuracy of estimating the parametric component of a partially linear model. Under some assumptions, the parametric component of a partially linear model can be regarded as a causal parameter, the average treatment effect (ATE) or the average causal effect (ACE). We propose a Bayesian sequential experimental design algorithm for a partially linear model with a Gaussian process prior, which is also considered as a sequential experimental design tailored to the estimation of ATE or ACE. We show the effectiveness of the proposed method through numerical experiments based on synthetic and semi-synthetic data.