AITOPAI热报
今日精选全部动态早读东盟 AIAgent 接入我的简报我的追踪阅读偏好内容方法关于更新日志信源提报反馈
外观
登录 / 注册
AITOPAI热报

贝叶斯实验设计

共 2 条相关 AI 资讯
8月11日
11:15
11:15官方账号arXiv cs.AI@Kevin Murphy
Model Discovery Agent (MDA) 将大语言模型作为候选结构提议器,与序贯蒙特卡洛、模拟推断和价值信息等贝叶斯方法结合,用于从少量干预实验中学习因果机制模型。MDA 在 M-open 设定下运行,当真实模型超出假设类时,预测检查会触发提议器扩展假设空间。在物理、化学和生物学三个基准上,MDA 实现了数据高效的模型学习和可靠的干预预测,创下新 SOTA。
论文Model Discovery Agent贝叶斯实验设计因果模型

推荐理由:想用最少实验搞清楚因果机制?MDA 把 LLM 和贝叶斯结合,自动设计实验、发现模型,物理化学生物三领域都刷新了纪录。
原文
6月23日
13:27
13:27官方账号arXiv cs.LG@Tom Rossa, Angus Phillips, Tom Rainforth
传统贝叶斯实验设计(BED)基于最大化预期不确定性减少,导致双重难解目标难以优化。该论文提出Action-BED,基于预期未来损失(EFL)的任务驱动框架,将目标简化为单重难解问题。通过随机梯度联合优化设计策略和动作策略,无需显式后验或边际似然估计。只需要从联合模型采样并评估下游损失函数,比现有方法更有效、高效、简单。
论文Action-BED贝叶斯实验设计任务驱动

推荐理由:这篇论文提出Action-BED,把贝叶斯实验设计的目标从双重难解变成单重难解,直接用随机梯度优化,更简单高效。
原文
精选动态早读东盟登录