Deep Optimal Experimental Design for Parameter Estimation Problems

要約

最適な実験計画は、応用科学および工学においてよく研究されている分野です。
このような設計を推定するための手法は、パラメーター推定のフレームワーク内で一般的に使用されます。
それにもかかわらず、近年、パラメータ推定手法は、従来の推定手法に代わる深層学習手法の導入により急速に変化しています。
そのためには、これらの新しい技術に関連した最適な実験計画を適応させる必要があります。
この論文では、深層学習を使用した新しい実験計画法を調査します。
私たちは、尤度自由推定器としてのネットワークのトレーニングを使用して、設計プロセスを大幅に簡素化し、非線形システムの最適な実験計画に固有の計算コストのかかるバイレベル最適化問題の必要性を回避できることを示します。
さらに、深い設計により、パラメータ推定問題の回復プロセスの品質が向上します。
概念の証明として、私たちの方法論を 2 つの異なる常微分方程式系に適用します。

要約(オリジナル)

Optimal experimental design is a well studied field in applied science and engineering. Techniques for estimating such a design are commonly used within the framework of parameter estimation. Nonetheless, in recent years parameter estimation techniques are changing rapidly with the introduction of deep learning techniques to replace traditional estimation methods. This in turn requires the adaptation of optimal experimental design that is associated with these new techniques. In this paper we investigate a new experimental design methodology that uses deep learning. We show that the training of a network as a Likelihood Free Estimator can be used to significantly simplify the design process and circumvent the need for the computationally expensive bi-level optimization problem that is inherent in optimal experimental design for non-linear systems. Furthermore, deep design improves the quality of the recovery process for parameter estimation problems. As proof of concept we apply our methodology to two different systems of Ordinary Differential Equations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google