General Differential and Lagrangian Theory for Optimal Experimental Design
最优实验设计的一般微分与拉格朗日理论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：摘要涉及线性回归的通用最优设计理论，实验设计本身不足以归类为因果推断。
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
最优实验设计的一般微分与拉格朗日理论
- 研究问题
- 如何在一般凸分析框架中研究线性回归参数估计的最优实验设计，并建立对偶关系及可验证设计最优性的等价定理？
- 方法与思路
- 作者分别以次梯度和拉格朗日理论推导对偶结果，利用次梯度处理奇异设计最优性，并推广已有设计等价定理。
- 材料陈述的贡献
- 摘要称获得两条路径下的对偶结果，提出判断奇异设计最优性的等价定理，并给出原有等价定理的一般版本。
- 阅读关注点
- 核对设计空间、凸目标与对偶条件，尤其是奇异设计下可估参数的处理，以及等价定理成立所需的正则条件。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未说明具体设计准则、定理条件或计算方案，不能自行推断适用范围。
原文摘要
The problem of optimal experimental design for estimating parameters in linear regression models is placed in a general convex analysis setting. Duality results are obtained using two approaches, one based on subgradients and the other on Lagrangian theory. The subgradient concept is also used to derive a potentially useful equivalence theorm for establishing the optimality of a singular design and, finally, general versions of the original equivalence theorems of Kiefer and Wolfowitz (1960) are obtained.