用于推断黑盒函数统计期望的贝叶斯最优实验设计
最优化与控制
2019-01-16 v3 机器学习
机器学习
摘要
贝叶斯最优实验设计（BODE）已成功用于获取依赖于黑盒函数的感兴趣量（QoI）的信息。BODE 的特点是在由填充采样准则选定的特定设计处依次查询该函数。然而，当前大多数 BODE 方法在特定背景下运行，如优化或学习黑盒函数的通用表示。本文的目标是设计一种用于估计物理响应面统计期望的 BODE。该 QoI 在不确定性传播和不确定性下设计中无处不在。我们的假设是，最优的 BODE 应最大化 QoI 中的期望信息增益。我们将假设实验的信息增益表示为 QoI 的先验与后验概率分布之间的 Kullback-Liebler（KL）散度。QoI 的先验分布以观测数据为条件，QoI 的后验分布以观测数据和假设实验为条件。本文的主要贡献是推导了关于物理响应统计期望的期望信息增益的半解析数学公式。所开发的 BODE 在具有不同输入维数的合成函数上进行了验证。我们在钢线制造问题上展示了该方法的表现。
引用
@article{arxiv.1807.09979,
title = {Bayesian Optimal Design of Experiments For Inferring The Statistical Expectation Of A Black-Box Function},
author = {Piyush Pandita and Ilias Bilionis and Jitesh Panchal},
journal= {arXiv preprint arXiv:1807.09979},
year = {2019}
}
备注
27 pages, 19 figures