Gradient-based stochastic optimization methods in bayesian experimental design
En este artc̕ulo se desarrollan mťodos de optimizacin̤ estocs̀tica basados en gradientes para el diseǫ de experimentos sobre un espacio de parm̀etros continuo. Dado un estimador de Monte Carlo de ganancia de informacin̤ esperada, se utiliza un anl̀isis de perturbacin̤ infinitesimal para obtener lo...
Guardado en:
| Otros Autores: | , , |
|---|---|
| Formato: | Libro |
| Lenguaje: | inglés |
| Materias: | |
| Acceso en línea: | Gradient-based stochastic optimization methods in bayesian experimental design |
| Etiquetas: |
Agregar Etiqueta
Sin Etiquetas, Sea el primero en etiquetar este registro!
|
MARC
| LEADER | 00000nam a22000004a 4500 | ||
|---|---|---|---|
| 001 | vpro7897 | ||
| 005 | 20201223000000.0 | ||
| 008 | 140604s2014 ck # g## #001 0#eng#d | ||
| 020 | |||
| 022 | |||
| 040 | |a CO-BoINGC | ||
| 041 | 0 | |a eng | |
| 245 | 1 | 0 | |a Gradient-based stochastic optimization methods in bayesian experimental design |
| 246 | |a Mťodos de optimizacin̤ estocs̀tica basados en gradientes en diseǫs experimentales bayesianos | ||
| 264 | |a Bogot ̀(Colombia) : |b Revista VirtualPRO, |c 2014 | ||
| 520 | 3 | |a En este artc̕ulo se desarrollan mťodos de optimizacin̤ estocs̀tica basados en gradientes para el diseǫ de experimentos sobre un espacio de parm̀etros continuo. Dado un estimador de Monte Carlo de ganancia de informacin̤ esperada, se utiliza un anl̀isis de perturbacin̤ infinitesimal para obtener los gradientes de este estimador. as,̕ se est ̀en la capacidad de formular dos enfoques de optimizacin̤ estocs̀tica basados en gradientes: la aproximacin̤ estocs̀tica Robbins-Monro y la aproximacin̤ promedio de muestras combinada con un mťodo determins̕tico cuasi-newtoniano.Una aproximacin̤ de caos polinomial del modelo anticipado (forward model) acelera las evaluaciones objetivo y gradiente en ambos casos. Se discute la implementacin̤ de estos mťodos y se conduce una comparacin̤ empr̕ica de su desempeǫ. Para demostrar el diseǫ en un escenario no lineal con modelos anticipados de ecuaciones diferenciales parciales, se usa el problema de colocacin̤ del sensor para inversin̤ de fuente. | |
| 650 | \ | \ | |a Administracin̤ |
| 650 | \ | \ | |a Investigacin̤ operacional |
| 650 | \ | \ | |a TeorƯ̕a bayesiana de decisiones estads̕ticas |
| 650 | \ | \ | |a Management |
| 650 | \ | \ | |a Operations research |
| 650 | \ | \ | |a Bayesian statistical decision theory |
| 650 | \ | \ | |a Ciencias de la administracin̤ |
| 650 | \ | \ | |a Optimizacin̤ estocs̀tica |
| 650 | \ | \ | |a Programacin̤ estocs̀tica |
| 650 | \ | \ | |a Mťodos estocs̀ticos basados en gradientes |
| 650 | \ | \ | |a Diseǫs experimentales bayesianos |
| 650 | \ | \ | |a Aproximacin̤ estocs̀tica robbins-monro |
| 650 | \ | \ | |a Aproximacin̤ promedio de muestras |
| 650 | \ | \ | |a Diseǫ p̤timo |
| 650 | \ | \ | |a Anl̀isis de perturbacin̤ infinitesimal |
| 650 | \ | \ | |a Inversin̤ de fuente |
| 650 | \ | \ | |a Administration sciences |
| 650 | \ | \ | |a Stochastic optimization |
| 650 | \ | \ | |a Stochastic programming |
| 650 | \ | \ | |a Stochastic methods based on gradients |
| 650 | \ | \ | |a Bayesian experimental designs |
| 650 | \ | \ | |a Robbins-monro stochastic approximation |
| 650 | \ | \ | |a Average approximation of samples |
| 650 | \ | \ | |a Optimal design |
| 650 | \ | \ | |a Infinitesimal perturbation analysis |
| 650 | \ | \ | |a Source inversion |
| 700 | \ | \ | |a Huan Xun |
| 700 | \ | \ | |a Marzouk Youssef M. |
| 700 | \ | \ | |a Cornell University |
| 856 | |z Gradient-based stochastic optimization methods in bayesian experimental design |u https://virtualpro.unach.elogim.com/biblioteca/metodos-de-optimizacion-estocastica-basados-en-gradientes-en-disenos-experimentales-bayesianos | ||