ترجمه فارسی مقاله یک رویکرد بدون احتمال برای طراحی بهینه آزمایشی بیزی با هدف محور

چکیده

Conventional Bayesian optimal experimental design seeks to maximize the expected information gain (EIG) on model parameters. However, the end goal of the experiment often is not to learn the model parameters, but to predict downstream quantities of interest (QoIs) that depend on the learned parameters. And designs that offer high EIG for parameters may not translate to high EIG for QoIs. Goal-oriented optimal experimental design (GO-OED) thus directly targets to maximize the EIG of QoIs. We introduce LF-GO-OED (likelihood-free goal-oriented optimal experimental design), a computational method for conducting GO-OED with nonlinear observation and prediction models. LF-GO-OED is specifically designed to accommodate implicit models, where the likelihood is intractable. In particular, it builds a density ratio estimator from samples generated from approximate Bayesian computation (ABC), thereby sidestepping the need for likelihood evaluations or density estimations. The overall method is validated on benchmark problems with existing methods, and demonstrated on scientific applications of epidemiology and neural science.

چکیده به فارسی (ترجمه ماشینی)

طراحی آزمایشی بهینه بیزی متعارف به دنبال حداکثر رساندن سود مورد انتظار (EIG) در پارامترهای مدل است.با این حال ، هدف نهایی این آزمایش اغلب یادگیری پارامترهای مدل نیست ، بلکه پیش بینی مقادیر پایین مورد علاقه (QOIS) است که به پارامترهای آموخته شده بستگی دارد.و طرح هایی که EIG بالایی را برای پارامترها ارائه می دهند ممکن است برای QOIS به EIG بالا تبدیل نشود.طرح آزمایشی بهینه هدف گرا (GO-OD) بنابراین به طور مستقیم هدف قرار می دهد تا حداکثر EIG QOIS را به حداکثر برساند.ما LF-Go-OED (طرح آزمایشی بهینه هدف گرا) را معرفی می کنیم ، یک روش محاسباتی برای انجام GO-OD با مدل های مشاهده و پیش بینی غیرخطی.LF-Go-OED به طور خاص برای قرار دادن مدل های ضمنی طراحی شده است ، جایی که احتمال ابتلا به آن قابل تحمل است.به طور خاص ، این یک برآوردگر نسبت چگالی از نمونه های تولید شده از محاسبه تقریبی بیزی (ABC) ایجاد می کند ، در نتیجه نیاز به ارزیابی احتمال یا برآورد چگالی را کنار می گذارد.روش کلی در مورد مشکلات معیار با روشهای موجود تأیید شده و در مورد کاربردهای علمی اپیدمیولوژی و علوم عصبی نشان داده شده است.