PASOA——基于粒子的贝叶斯最优自适应设计

我们提出了一种新的程序，命名为PASOA（PArticle baSed Bayesian Optimal Adaptive design），用于贝叶斯实验设计，通过同时提供准确的后验分布估计来实现参数推断。序列设计过程通过对比估计原则实现，利用随机优化和顺序蒙特卡洛（SMC）采样器以最大化期望信息增益（EIG）为目标。由于EIG目标函数倾向于获得更大的信息增益，从而导致后验分布之间的距离更大，这可能会恶化经典SMC性能。为处理此问题，提出了温度化方法，以实现较大的信息增益和准确的SMC采样，这一点我们证明是性能提升的关键。该方法将随机优化与温度化SMC的新型组合，使我们能够联合处理设计优化和参数推断。我们提供了一个证明，表明获得的最优设计估计器具有某种一致性属性。数值实验确认了该方法的潜力，该方法优于其他最近的现有程序。