面向定量-序列因子实验的建模与主动学习
统计方法学
2022-09-14 v2
摘要
一类旨在确定一系列因子的优化用量的新型实验正在医学、生物工程及许多其他学科中引起广泛关注。此类研究需要同时优化若干被称为定量-序列（QS）因子的组分的用量与顺序。鉴于此类实验中庞大且半离散的解空间，利用少量实验试次高效确定最优或近最优解是一项重要挑战。为应对该挑战，我们提出一种称为 QS-learning 的新型主动学习方法，以实现对含 QS 因子实验的有效建模与高效优化。QS-learning 由三部分组成：一种基于映射的可加高斯过程（MaGP）模型、一种高效全局优化方案（QS-EGO）以及一类新的最优设计（QS-design）。本文研究了所提方法的理论性质，并开发了基于解析梯度的优化技术。所提方法的性能通过一项关于淋巴瘤治疗的真实药物实验及若干仿真研究得以验证。
引用
@article{arxiv.2209.02644,
title = {Modeling and Active Learning for Experiments with Quantitative-Sequence Factors},
author = {Qian Xiao and Yaping Wang and Abhyuday Mandal and Xinwei Deng},
journal= {arXiv preprint arXiv:2209.02644},
year = {2022}
}
备注
Accepted by Journal of the American Statistical Association