Asymptotically Optimal Bayes Sequential Design of Experiments for Estimation
用于估计的渐近最优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。
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：摘要讨论通用贝叶斯实验设计与函数估计，未涉及处理效应或因果识别，不能仅因出现实验而归入因果推断。
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
用于估计的渐近最优贝叶斯序贯实验设计
- 研究问题
- 面对多个分别依赖不同向量参数的实验，如何序贯安排观测以估计联合参数函数，并在实验成本趋零时实现贝叶斯最优性？
- 方法与思路
- 作者推广既有贝叶斯序贯方法，在多个实验及各自参数化观测分布的框架内研究函数估计，渐近尺度为实验成本趋零。
- 材料陈述的贡献
- 摘要将寻找渐近最优贝叶斯序贯估计程序作为目标，并说明方法的推广来源；没有进一步列明最优程序或定理形式。
- 阅读关注点
- 核对先验、损失函数、实验成本与停止规则的定义，以及成本趋零下最优性的比较对象、条件和具体程序。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要；先验、风险、分配规则与证明均未说明，也不能把成本趋零等同于通常的大样本渐近。
原文摘要
The purpose of this paper is to find asymptotically optimal Bayes sequential procedures for estimating a function $g(\theta_1, \theta_2,\cdots, \theta_k)$ when there are $k$ experiments $E_1, E_2,\cdots, E_k$ and the performance of the experiment $E_i$ conducts to the observation of a random variable whose distribution depends on the vector parameter $\theta_i$. The term asymptotical refers here to the cost of experimentation tending to zero. The methods used are a generalization of those introduced by Bickel and Yahav.