A New Approach to Optimal Design under Model Uncertainty Motivated by Multi-Armed Bandits
受多臂老虎机启发的模型不确定性下最优设计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：摘要聚焦一般实验最优设计与候选模型选择，多臂老虎机机制本身不足以确定因果或其他给定细分方向。
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…
受多臂老虎机启发的模型不确定性下最优设计
- 研究问题
- 当真实模型未知且存在多个候选模型时，如何在实验设计中兼顾模型区分与选定模型的参数估计，减少误设造成的效率损失？
- 方法与思路
- 作者采用多臂老虎机思路构造序贯设计算法，在模型区分和参数估计之间分配设计资源，并分析相对最优设计的效率。
- 材料陈述的贡献
- 摘要称算法渐近达到预先知道真实模型时最优设计的表现，并建立相对效率下界，以若干数值例子展示其优势。
- 阅读关注点
- 应核对真实模型是否必须属于候选集合、模型区分条件及探索分配规则，并检查效率下界和渐近等价的具体含义。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要。候选模型全体误设时的性质、有限样本保证与数值比较细节未说明。
原文摘要
An optimal design is usually model-dependent and is sub-optimal if the postulated model is not correctly specified. Furthermore, it is far from ideal even if it is efficient for model selection but has a poor performance for estimating parameters in the selected model. In practice, it is common that a researcher has a list of candidate models at hand and a design has to be found that is efficient for both model discrimination and parameter estimation in the (unknown) “true” model. In this article, we use a multi-armed bandits approach to balance these two competing goals in the design of experiments. We develop a sequential algorithm to provide a design that has asymptotically the same performance as an optimal design when the “true” model could be correctly specified in advance. A lower bound is established to quantify the relative efficiency between the proposed design and an optimal design for the “true” model. Some comparisons with other state-of-the-art algorithms for model discrimination and parameter estimation are discussed. The advantages of the proposed method are illustrated by several numerical examples.