Bayesian-Optimal Design via Interacting Particle Systems
通过交互粒子系统实现贝叶斯最优设计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：文本聚焦通用贝叶斯最优设计及医疗决策计算，未直接研究所列经济计量细分中的特定对象。
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…
通过交互粒子系统实现贝叶斯最优设计
- 研究问题
- 在非线性、高维且期望效用表面存在多个峰值时，如何计算贝叶斯最优设计，并用于复杂治疗方案的选择？
- 方法与思路
- 作者用MCMC探索作为概率分布的期望效用表面，结合粒子方法与模拟退火，使样本集中于对应最优设计的峰值。
- 材料陈述的贡献
- 摘要称，提出了新的随机设计算法，在有显式解的分配问题中比较效率，并将医疗方案问题形式化为贝叶斯决策。
- 阅读关注点
- 应核对效用与先验的构造、粒子交互和退火方案、收敛诊断，以及医疗案例中医生知识和动机的表达方式。
- 阅读边界
- 仅据版本未注明的索引摘要；未给出算法收敛保证或量化效率结果，不能据此认定普遍计算优势或推断刊本变化。
原文摘要
We propose a new stochastic algorithm for Bayesian-optimal design in nonlinear and high-dimensional contexts. Following Peter Müller, we solve an optimization problem by exploring the expected utility surface through Markov chain Monte Carlo simulations. The optimal design is the mode of this surface considered a probability distribution. Our algorithm relies on a “particle” method to efficiently explore high-dimensional multimodal surfaces, with simulated annealing to concentrate the samples near the modes. We first test the method on an optimal allocation problem for which the explicit solution is available, to compare its efficiency with a simpler algorithm. We then apply our method to a challenging medical case study in which an optimal protocol treatment needs to be determined. For this case, we propose a formalization of the problem in the framework of Bayesian decision theory, taking into account physicians' knowledge and motivations. We also briefly review further improvements and alternatives.