Core Concepts
정규화 흐름을 사용하여 변분 분포를 나타내면 기대 정보 이득 하한을 보다 효율적으로 추정할 수 있다.
Abstract
이 논문은 변분 베이지안 최적 실험 설계(vOED)에서 정규화 흐름(NFs)을 사용하여 변분 분포를 나타내는 방법인 vOED-NFs를 소개한다. 모델 매개변수의 기대 정보 이득(EIG)을 최적화 목적으로 사용할 때, Barber-Agakov 하한을 사용하여 EIG를 추정할 수 있다. 이 하한은 변분 매개변수를 최적화하여 더 타이트하게 만들 수 있다. 저자들은 NFs를 사용하여 변분 분포를 나타내는 몬테카를로 추정기와 그래디언트 표현을 제시한다. vOED-NFs 알고리즘은 벤치마크 문제와 편미분 방정식 기반 응용 프로그램 및 암시적 우도 사례에서 검증된다. 결과는 4-5개의 결합 레이어로 구성된 NFs가 고정된 전방 모델 실행 예산 하에서 이전 접근 방식보다 낮은 EIG 추정 편향을 달성할 수 있음을 보여준다. 또한 NFs는 비 가우시안 및 다중 모드 특성을 효과적으로 포착할 수 있는 근사 사후 분포를 생성한다.
Stats
모델 매개변수 θ는 3개, 실험 설계 변수 d는 1개이다.
관측 모델은 비선형 함수 G(θ, d)와 가우시안 혼합 분포 잡음 ϵ로 구성된다.
매개변수 사전 분포는 정규 분포이다.
Quotes
"정규화 흐름은 변분 추론 맥락에서 사후 분포를 근사하는 데 사용되었지만, 아직 OED에서 탐구되지 않았다."
"이 논문의 핵심 기여는 vOED의 EIG 하한 추정에 NFs를 사용하는 것이며, 이를 통해 샘플링 효율성(편향 감소)을 보여준다."