Wasserstein Gradient Flows for Batch Bayesian Optimal Experimental Design
批量贝叶斯最优实验设计的 Wasserstein 梯度流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：摘要讨论的是贝叶斯最优实验设计的优化与概率测度梯度流方法，属于统计与机器学习方法论，未涉及所提供领域细分中的因果推断、面板、离散选择、时间序列、资产定价等主题，故不选择任何细分领域。
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
批量贝叶斯最优实验设计的 Wasserstein 梯度流
- 研究问题
- 摘要称，贝叶斯最优实验设计（BOED）在批量情形下因期望信息增益（EIG）高维且强非凸而难以优化，本文研究如何对批量 EIG 型 BOED 进行可扩展的优化。
- 方法与思路
- 作者提出将原优化问题概率提升到概率测度空间，对期望效用做熵正则化并在设计测度空间上优化；摘要称在温和条件下该目标有唯一极小元，可显式写成 Gibbs 分布形式，并进一步考虑平均场族与 i.i.d. 乘积族两种可处理限制，推导相应的 Wasserstein 梯度流、刻画其长时间行为，并通过时空离散得到粒子算法与双重随机变体。
- 材料陈述的贡献
- 摘要明确陈述的贡献包括：给出批量 EIG 型 BOED 的概率测度提升与熵正则化目标；证明该目标在温和条件下存在唯一极小元并具 Gibbs 分布形式；导出 i.i.d. 目标（以及形式上平均场扩展）的 Wasserstein 梯度流与长时间行为；提出结合粒子更新与 EIG 梯度蒙特卡洛估计的双重随机算法，并在数值实验中展示其探索多峰优化景观、获得高效用批量的能力。
- 阅读关注点
- 阅读全文时应核对：所谓“温和条件”的具体假设；唯一极小元与 Gibbs 分布形式的证明细节；平均场情形下梯度流的推导是严格结论还是摘要所称的“形式上”；粒子算法与双重随机估计的收敛性或误差保证；数值实验的设定、基线比较与批量规模，以及摘要未说明的计算成本与可扩展性证据。
- 阅读边界
- 仅凭摘要无法判断定理条件是否普遍成立、证明是否完整、算法是否具有收敛保证，也无法核实数值实验的具体结果与相对优势；摘要未说明与既有批量 BOED 方法的系统比较、真实应用场景与代码可得性。该文为 arXiv 预印本（版本 1），不能据此声称已经同行评审或期刊接收。
原文摘要
Bayesian optimal experimental design (BOED) provides a powerful, decision-theoretic framework for selecting experiments so as to maximise the expected utility of the data to be collected. In practice, however, its applicability can be limited by the difficulty of optimising the chosen utility. The expected information gain (EIG), for example, is often high-dimensional and strongly non-convex. This challenge is particularly acute in the batch setting, where multiple experiments are to be designed simultaneously. In this paper, we introduce a new approach to batch EIG-based BOED via a probabilistic lifting of the original optimisation problem to the space of probability measures. In particular, we propose to optimise an entropic regularisation of the expected utility over the space of design measures. Under mild conditions, we show that this objective admits a unique minimiser, which can be explicitly characterised in the form of a Gibbs distribution. The resulting design law can be used directly as a randomised batch-design policy, or as a computational relaxation from which a deterministic batch is extracted. To obtain scalable approximations when the batch size is large, we then consider two tractable restrictions of the full batch distribution: a mean-field family, and an i.i.d. product family. For the i.i.d. objective, and formally for its mean-field extension, we derive the corresponding Wasserstein gradient flow, characterise its long-time behaviour, and obtain particle-based algorithms via space-time discretisations. We also introduce doubly stochastic variants that combine interacting particle updates with Monte Carlo estimators of the EIG gradient. Finally, we illustrate the performance of the proposed methods in several numerical experiments, demonstrating their ability to explore multimodal optimisation landscapes and obtain high-utility batches in challenging examples.