Metrics for Bayesian Optimal Experiment Design under Model Misspecification

要約

タイトル：モデル不適合の下でのベイズ最適実験設計のための指標
要約：

– 伝統的なベイズ意思決定実験設計のアプローチでは、可能な実験を検索して、指定された効用関数の期待値を最大化するデザインを選択する。
– 期待値は、収集されたデータを分析するために使用される統計モデルによって暗示されるすべての未知変数の結合分布に対するものである。効用関数は、実験の目的を定義し、共通の効用関数は情報利得である。
– この記事では、従来の期待情報利得基準を超えて、モデル不適合に対して堅牢性を測定するための期待一般情報利得を導入し、モデル不適合を検出するための基準である期待識別情報を導入した、このプロセス向けの拡張フレームワークを紹介する。
– フレームワークの機能性は、線形化されたばね質量減衰システムとF-16モデルを含むシナリオに適用される際に、モデル不一致を考慮してベイズ最適実験設計を行うことによって示される。

要約(オリジナル)

The conventional approach to Bayesian decision-theoretic experiment design involves searching over possible experiments to select a design that maximizes the expected value of a specified utility function. The expectation is over the joint distribution of all unknown variables implied by the statistical model that will be used to analyze the collected data. The utility function defines the objective of the experiment where a common utility function is the information gain. This article introduces an expanded framework for this process, where we go beyond the traditional Expected Information Gain criteria and introduce the Expected General Information Gain which measures robustness to the model discrepancy and Expected Discriminatory Information as a criterion to quantify how well an experiment can detect model discrepancy. The functionality of the framework is showcased through its application to a scenario involving a linearized spring mass damper system and an F-16 model where the model discrepancy is taken into account while doing Bayesian optimal experiment design.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI