Batch-based Bayesian Optimal Experimental Design in Linear Inverse Problems
线性反问题中的批量贝叶斯最优实验设计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：摘要讨论的是线性贝叶斯反问题中的最优实验设计与优化算法，属于统计与计算方法方向，未涉及所给微观、宏观或金融计量领域细分的文本依据。
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…
线性反问题中的批量贝叶斯最优实验设计
- 研究问题
- 摘要称，研究线性贝叶斯反问题中的实验设计问题，例如连续域上传感器位置的优化，并特别关注批量设计，即同时优化多个设计变量所带来的非凸优化难题。
- 方法与思路
- 作者提出把频率学派框架下将 A 最优设计松弛到有限正测度空间的策略用于贝叶斯情形，识别出与该松弛 A 最优 OED 形式相对应的贝叶斯推断问题，并基于 Wasserstein 梯度流为期望效用构造优化算法，同时引入新的正则化方案。
- 材料陈述的贡献
- 摘要明确陈述的主要贡献是严格识别出松弛 A 最优 OED 形式所对应的贝叶斯推断问题；此外提出基于 Wasserstein 梯度流的期望效用优化算法与保证收敛到经验测度的正则化方案，并用数值实验展示收敛性与正则化效果。
- 阅读关注点
- 阅读全文时应核对：松弛形式与贝叶斯推断问题的对应关系如何严格建立、需要哪些假设；Wasserstein 梯度流算法的收敛结论针对何种目标与条件；正则化保证收敛到经验测度的具体含义；数值实验的设定、规模与对比对象。
- 阅读边界
- 仅凭摘要无法判断定理的完整假设、算法复杂度与收敛速率、实验的可复现性与相对优势；摘要未说明具体反问题实例、数据来源与数值指标。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
Experimental design is central to science and engineering. A ubiquitous challenge is how to maximize the value of information obtained from expensive or constrained experimental settings. Bayesian optimal experimental design (OED) provides a principled framework for addressing such questions. In this paper, we study experimental design problems such as the optimization of sensor locations over a continuous domain in the context of linear Bayesian inverse problems. We focus in particular on batch design, that is, the simultaneous optimization of multiple design variables, which leads to a notoriously difficult non-convex optimization problem. We tackle this challenge using a promising strategy recently proposed in the frequentist setting, which relaxes A-optimal design to the space of finite positive measures. Our main contribution is the rigorous identification of the Bayesian inference problem corresponding to this relaxed A-optimal OED formulation. Moreover, building on recent work, we develop a Wasserstein gradient-flow -based optimization algorithm for the expected utility and introduce novel regularization schemes that guarantee convergence to an empirical measure. These theoretical results are supported by numerical experiments demonstrating both convergence and the effectiveness of the proposed regularization strategy.