Maximum Entropy Sampling and Optimal Bayesian Experimental Design
最大熵抽样与最优贝叶斯实验设计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：摘要研究通用贝叶斯实验设计与熵准则，未明确涉及所列经济计量领域细分。
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
最大熵抽样与最优贝叶斯实验设计
- 研究问题
- 何时最大化样本的边际熵等价于最小化参数的预后验熵，从而简化贝叶斯实验设计，并刻画最优设计的支撑结构？
- 方法与思路
- 作者利用参数与观测的联合熵分解，将贝叶斯设计准则转为边际熵优化，并分析正态模型、两点先验及大误差方差情形。
- 材料陈述的贡献
- 摘要称在适当条件下建立两种熵准则的等价性，并给出正态假设下两点先验的单点最优设计、大方差渐近公式及支撑大小界。
- 阅读关注点
- 应核对熵准则等价的具体条件、正态假设与两点先验的作用，以及单点支撑结论、渐近公式和支撑大小界各自的适用范围。
- 阅读边界
- 仅据 Crossref 摘要；摘要未列出准则等价的完整条件，单点支撑结果有正态与先验限制，不能推广到任意贝叶斯实验设计。
原文摘要
Summary When Shannon entropy is used as a criterion in the optimal design of experiments, advantage can be taken of the classical identity representing the joint entropy of parameters and observations as the sum of the marginal entropy of the observations and the preposterior conditional entropy of the parameters. Following previous work in which this idea was used in spatial sampling, the method is applied to standard parameterized Bayesian optimal experimental design. Under suitable conditions, which include non-linear as well as linear regression models, it is shown in a few steps that maximizing the marginal entropy of the sample is equivalent to minimizing the preposterior entropy, the usual Bayesian criterion, thus avoiding the use of conditional distributions. It is shown using this marginal formulation that under normality assumptions every standard model which has a two-point prior distribution on the parameters gives an optimal design supported on a single point. Other results include a new asymptotic formula which applies as the error variance is large and bounds on support size.