Goal-Oriented Bayesian Optimal Experimental Design for Nonlinear Models Using Markov Chain Monte Carlo¶
作者: Shijie Zhong, Wanggang Shen, Tommie Catanach, Xun Huan
来源: SIAM/ASA Journal on Uncertainty Quantification
主题: 统计计算 / 算法
相关性: 5/10
机构绿灯: Johns Hopkins University(US News 前 50,免分进入精读)
链接: 期刊页 · arXiv
一、领域脉络与小综述¶
这个方向是什么¶
本文所处的子方向是贝叶斯最优实验设计(Bayesian Optimal Experimental Design, BOED)的计算方法。其根本科学问题是:在实验成本高昂或资源有限的约束下,如何从设计空间中选择实验条件,使得收集到的数据能最大程度地服务于某个特定推断目标。传统 BOED 以模型参数本身为推断目标,最大化参数上的期望信息增益(Expected Information Gain, EIG);而本文关注的"目标导向"(Goal-Oriented, GO)变体,将推断目标从参数转移到参数的(通常非线性的)函数——即预测感兴趣量(Quantity of Interest, QoI)。这一转移使设计准则更贴近实际决策需求,但也带来了显著的计算挑战:EIG 本身是一个双重期望(对数据和对参数),在非线性模型下无解析形式,且目标从参数变为 QoI 后,后验预测分布的密度估计成为新的瓶颈。该子方向目前处于"方法框架已建立、计算工具仍不成熟"的阶段——理论框架(决策论与信息论)在 1970-1990 年代已奠定,但针对非线性模型、非高斯后验、高维设计空间的可扩展算法仍是开放问题。
发展脉络(history)¶
- 奠基工作(1970s-1990s):Lindley (1972) 提出基于信息论的贝叶斯实验设计框架,将实验价值量化为先验到后验的 KL 散度(即 EIG),为整个领域奠定了决策论基础。Chaloner & Verdinelli (1995) 的综述系统整理了贝叶斯实验设计的准则与计算方法,是这一阶段的集大成者。这一时期的框架以参数为推断目标,计算上多依赖渐近近似(如 Laplace 方法)或线性化假设。
- 计算突破(2000s-2010s):随着 MCMC 的普及,Ryan (2003) 提出嵌套蒙特卡洛(Nested Monte Carlo, NMC)估计器,首次为非线性模型的 EIG 提供了通用但计算昂贵的估计途径。Huan & Marzouk (2013) 将这一框架扩展到连续设计空间,引入随机逼近与多项式混沌代理模型,使 BOED 可用于仿真模型。同期,Overstall et al. (2016) 提出基于正态近似的损失函数逼近,试图绕开完全蒙特卡洛的代价。
- 目标导向转向(2010s-2020s):Bernardo (1979) 的理论工作早已指出信息增益应针对"感兴趣的量"而非全部参数,但计算实现长期缺失。Feng & Marzouk (2019) 提出"聚焦"(focused)BOED 的分层多重重要性采样方案,是目标导向计算的重要前奏。Attia et al. (2018) 在线性反问题框架下发展了目标导向设计,利用低秩近似实现大规模可扩展性,但线性假设限制了其适用范围。本文(Zhong et al., 2024)正是在这一脉络上的推进:将目标导向设计从线性推广到非线性观测与预测模型,并以 MCMC + KDE + BO 的组合提供通用计算框架。
- 当前 frontier:非线性目标导向设计的可扩展算法、EIG 估计器的偏差-方差权衡、高维 QoI 的密度估计、以及隐式似然(likelihood-free)场景下的设计。本文位于"非线性 GO-OED 通用计算框架"这一位置,但作者在结论中明确承认其方法受限于 MCMC 与 KDE 的维度扩展性。
子线索聚类¶
被引文献大致落在三条子线索上:
- EIG 估计器设计:NMC 估计器(Ryan, 2003)、Laplace 重要性采样(Beck et al., 2018)、分层多重重要性采样(Feng & Marzouk, 2019)。这条线索的核心问题是:如何用最少的模型评估次数获得低偏差、低方差的 EIG 估计。NMC 的偏差随内层样本量倒数衰减,方差随外层样本量倒数衰减,两者之间的权衡是这一线索的永恒主题。
- 设计空间优化:随机逼近(Huan & Marzouk, 2013)、贝叶斯优化(Shahriari et al., 2016; Frazier, 2018)、网格搜索。这条线索关注如何在 EIG 作为黑箱噪声函数的条件下高效寻找全局最优设计。BO 的优势在于样本效率高、不依赖梯度,但高斯过程代理模型的拟合本身随设计维度增长而恶化。
- 目标导向/聚焦准则:Bernardo (1979) 的理论框架、Attia et al. (2018) 的线性 GO-OED、Feng & Marzouk (2019) 的聚焦 EIG。这条线索的核心问题是:如何将信息度量从参数空间"投影"到 QoI 空间,并保持计算可行性。本文属于此线索,但以非线性模型为对象,且不依赖线性结构或解析公式。
这个方向在追问的核心问题¶
- EIG 的估计问题:在非线性模型下,EIG 的双重积分无解析形式,如何构造一致且高效的估计器?NMC 的收敛速率如何?能否用方差缩减技术(重要性采样、控制变量)加速?
- 目标导向的"投影"问题:当目标是 QoI 而非参数时,KL 散度如何计算?后验预测分布与先验预测分布的密度之比如何估计?QoI 维度对估计精度的影响是什么?
- 设计空间的优化问题:EIG 作为设计变量的函数是噪声的、多峰的、评估昂贵的,如何全局优化?BO 的代理模型误差如何传播到最终设计决策?
- 计算-统计权衡:MCMC 的收敛诊断、KDE 的带宽选择、BO 的采集函数——这些数值参数如何影响最终设计的最优性?是否存在理论保证?
已知瓶颈:NMC 估计器的计算成本随样本量线性增长,且偏差衰减慢(O(n_in^{-1}));KDE 在高维 QoI 下遭遇维数灾难;MCMC 在高维参数空间中的混合速度难以保证;BO 在高维设计空间中代理模型拟合不稳定。本文作者在结论部分明确承认这些瓶颈("the dependence on MCMC and KDE... can be computationally expensive")。
⚠️ 作者的 framing(这是作者的说法)¶
作者将缺口 frame 为:"现有 GO-OED 方法局限于线性模型(如 Attia et al. 2018),而非线性观测与预测模型的通用计算框架尚属空白"。他们声称本文的贡献在于:(i) 提出一个适用于非线性观测和预测模型的 NMC 估计器;(ii) 用 MCMC 处理后验采样、用 KDE 处理后验预测密度估计;(iii) 用 BO 处理设计优化,从而提供一个"通用"(agnostic to model form)的计算框架。作者淡化了以下竞争路线:(a) 变分推断或正态化流等现代密度估计方法(仅在 future work 中提及);(b) 基于代理模型的 EIG 估计(如多项式混沌),认为其"需要模型结构假设";(c) 解析可处理的特殊非线性形式(如广义线性模型)。值得研究者去查的问题:作者声称的"通用性"是否真的成立?KDE 在高维 QoI 下的表现是否被实验设计所掩盖(所有实验的 QoI 维度都 ≤ 2)?作者未引用 2020 年后的 BOED 文献(如 Foster et al. 2021 的深度自适应设计),这是否意味着其方法已落后于前沿?
张力¶
未见明显对立引用。但存在一个微妙的张力:Feng & Marzouk (2019) 的"聚焦"EIG 强调通过重要性采样避免显式密度估计,而本文选择用 KDE 显式估计密度。这两种路线在"是否需要显式密度"上存在方法论分歧,但本文未直接讨论为何选择 KDE 而非重要性采样路线。
二、最核心、最简单的例子 / 数学问题¶
第一步:符号、模型、可观测数据¶
符号清单(逐个点名):
| 记号 | 含义 | 类型 |
|---|---|---|
| \(d \in \mathcal{D} \subseteq \mathbb{R}^{n_d}\) | 实验设计向量 | 决策变量(可优化) |
| \(\theta \in \Theta \subseteq \mathbb{R}^{n_\theta}\) | 模型参数 | 随机变量(有先验) |
| \(y \in \mathcal{Y} \subseteq \mathbb{R}^{n_y}\) | 观测数据 | 随机变量(可采样) |
| \(z \in \mathcal{Z} \subseteq \mathbb{R}^{n_z}\) | 预测感兴趣量(QoI) | 随机变量(由 \(\theta\) 决定) |
| \(G(\theta, d)\) | 观测前向模型(参数→观测) | 已知确定性函数 |
| \(H(\theta, \eta)\) | 预测前向模型(参数→QoI) | 已知确定性函数(可含随机 \(\eta\)) |
| \(\epsilon\) | 观测噪声 | 随机变量(分布已知) |
| \(p(\theta)\) | 先验分布 | 已知 |
| \(p(y\|\theta, d)\) | 似然 | 由 \(G\) 和 \(\epsilon\) 的分布决定 |
| \(p(\theta\|y, d)\) | 后验分布 | 待求(贝叶斯更新) |
| \(p(z)\) | 先验预测分布(QoI 的边缘分布) | 待估计 |
| \(p(z\|y, d)\) | 后验预测分布 | 待估计 |
| \(U(d)\) | 期望效用(目标函数) | 待最大化 |
| \(n_{out}, n_{in}\) | 外层/内层蒙特卡洛样本量 | 算法超参数 |
模型(数据生成机制):
- 先验抽样:\(\theta \sim p(\theta)\)
- 观测生成:\(y = G(\theta, d) + \epsilon\),其中 \(\epsilon \sim p_\epsilon\)(通常为高斯)
- 预测生成:\(z = H(\theta, \eta)\),其中 \(\eta\) 为预测噪声(可选)
- 贝叶斯更新:\(p(\theta|y,d) \propto p(y|\theta,d)\,p(\theta)\)
可观测数据:研究者实际能拿到的是: - 先验 \(p(\theta)\) 的样本(可任意生成) - 给定 \((\theta, d)\) 时观测 \(y\) 的样本(通过前向模型 \(G\) 模拟) - 给定 \(\theta\) 时 QoI \(z\) 的样本(通过预测模型 \(H\) 模拟)
不可观测/潜在量: - 后验分布 \(p(\theta|y,d)\) 的解析形式(一般未知,需 MCMC 近似) - 后验预测分布 \(p(z|y,d)\) 的密度值(需从样本中估计) - 先验预测分布 \(p(z)\) 的密度值(需从样本中估计)
目标量(estimand):
即:在给定设计 \(d\) 下,观测数据 \(y\) 与预测 QoI \(z\) 之间的互信息。最优设计为 \(d^* = \arg\max_{d \in \mathcal{D}} U(d)\)。
第二步:最小内核¶
剥掉所有一般性假设后,本文的核心数学问题是:
给定一个非线性观测模型 \(y = G(\theta, d) + \epsilon\) 和一个非线性预测模型 \(z = H(\theta)\),如何计算(并最大化)\(I(z; y|d)\)——即观测数据与预测 QoI 之间的互信息?
最简特例(一维、确定性预测、高斯噪声):
设 \(\theta \sim \mathcal{N}(0, 1)\)(标量),观测模型 \(y = \theta^3 d + \epsilon\),\(\epsilon \sim \mathcal{N}(0, \sigma^2)\),预测模型 \(z = \theta\)(即 QoI 就是参数本身,此时 GO-EIG 退化为普通 EIG)。
在这个特例下: - \(p(z) = p(\theta) = \mathcal{N}(0,1)\),解析已知 - \(p(z|y,d) = p(\theta|y,d)\),由贝叶斯公式给出,但无解析形式(因为 \(G\) 非线性) - \(I(z; y|d) = I(\theta; y|d)\) 需通过数值积分
本文的做法(在特例下的退化形式): 1. 外层循环:采样 \(\tilde{\theta}^{(i)} \sim p(\theta)\),生成 \(y^{(i)} \sim p(y|\tilde{\theta}^{(i)}, d)\) 2. 内层循环:对每个 \(y^{(i)}\),用 MCMC 采样 \(\theta^{(i,j)} \sim p(\theta|y^{(i)}, d)\),然后计算 \(z^{(i,j)} = H(\theta^{(i,j)})\) 3. 密度估计:用 KDE 从 \(\{z^{(i,j)}\}\) 估计 \(p(z|y^{(i)}, d)\),从 \(\{z^{(i)}\}\) 估计 \(p(z)\) 4. 效用估计:\(\hat{U}(d) = \frac{1}{n_{out}} \sum_{i=1}^{n_{out}} \left[ \frac{1}{n_{in}} \sum_{j=1}^{n_{in}} \ln \hat{p}(z^{(i,j)}|y^{(i)}, d) - \ln \hat{p}(z^{(i,j)}) \right]\)
为什么这个特例能体现核心困难: - 即使 \(z = \theta\)(最平凡的目标),非线性观测模型 \(G\) 已使后验 \(p(\theta|y,d)\) 无解析形式,必须用 MCMC - 即使 \(z\) 是一维的,KDE 的带宽选择仍会影响 KL 散度估计的偏差 - 即使 \(d\) 是一维的,\(U(d)\) 作为噪声函数仍需 BO 来优化
一般情形的"加壳": - \(z\) 从 \(\theta\) 推广为 \(H(\theta)\)(非线性、可能随机)→ 密度估计从参数空间转移到 QoI 空间 - \(d\) 从一维推广到多维 → BO 的代理模型从一维 GP 推广到多维 GP - 观测从标量推广到向量 → 似然评估成本增加,MCMC 混合更困难
一句话总结本文的数学贡献:本文提供了一个将"非线性观测模型 + 非线性预测模型"下的 GO-EIG 分解为"外层采样 + 内层 MCMC + KDE 密度估计 + BO 优化"四个可替换模块的计算框架,并用数值实验验证了该框架在低维问题上的有效性。
三、这篇论文做了什么¶
三句话¶
- 研究了什么问题:在非线性观测模型 \(y = G(\theta, d) + \epsilon\) 和非线性预测模型 \(z = H(\theta, \eta)\) 下,如何计算并最大化预测 QoI \(z\) 上的期望信息增益 \(I(z; y|d)\),即目标导向的贝叶斯最优实验设计(GO-OED)。
- 核心工具/方法:提出一个嵌套蒙特卡洛(NMC)估计器,其中外层循环采样观测数据 \(y\),内层循环用 MCMC 采样后验 \(\theta|y,d\) 并传播到 \(z\),用 KDE 估计先验/后验预测密度以计算 KL 散度,最后用贝叶斯优化(BO)最大化 \(U(d)\)。
- 主要结论:通过一维和二维测试问题以及对流-扩散方程源反演的传感器布置应用,展示了 GO-OED 与普通参数 EIG 的最优设计可以显著不同,且 GO-OED 能更直接地服务于下游预测目标;但方法受限于 MCMC 和 KDE 的计算成本与维度扩展性。
关键设定与假设¶
模型设定(在第二节基础上补全):
- 观测模型:\(y = G(\theta, d) + \epsilon\),\(\epsilon \sim \mathcal{N}(0, \Sigma_\epsilon)\)(高斯噪声,协方差已知)
- 预测模型:\(z = H(\theta, \eta)\),\(\eta\) 为预测噪声(可选;若确定性则 \(\eta\) 退化)
- 先验:\(p(\theta)\) 为均匀分布(所有实验均假设 \(\theta \sim \mathcal{U}([0,1]^n)\) 或类似有界支撑)
- 似然:\(p(y|\theta,d) = p_\epsilon(y - G(\theta,d))\),由噪声分布决定
核心假设(作者明确或隐含依赖的):
- A1(似然可评估):对任意 \((\theta, d)\),\(G(\theta, d)\) 可计算,\(p(y|\theta,d)\) 可评估。这排除了隐式似然(likelihood-free)场景。
- A2(MCMC 收敛):对每个 \(y^{(i)}\),MCMC 能在可接受的计算时间内收敛到后验 \(p(\theta|y^{(i)},d)\)。作者用"oracle initialization"(从真实 \(\tilde{\theta}^{(i)}\) 初始化)来缓解这一问题,但这在真实实验中不可用。
- A3(KDE 有效性):QoI 维度 \(n_z\) 足够低(实验中 \(n_z \leq 2\)),使得 KDE 的均方误差可接受。作者未给出 \(n_z\) 增大时的理论或数值表现。
- A4(BO 代理模型充分性):\(U(d)\) 作为 \(d\) 的函数足够平滑,可用高斯过程代理模型有效拟合。作者固定 GP 超参数(\(l=1, \nu=2.5\)),未做自适应调整。
- A5(噪声方差已知):\(\Sigma_\epsilon\) 已知,不参与推断。这简化了问题,但实际中噪声方差通常未知。
相比已有工作的变化: - 相比 Attia et al. (2018)(线性 GO-OED):本文去掉了线性假设,但代价是失去了解析/低秩近似的计算优势。 - 相比 Huan & Marzouk (2013)(非线性参数 EIG):本文从参数 EIG 扩展到 QoI EIG,但增加了 KDE 这一额外误差来源。 - 相比 Feng & Marzouk (2019)(聚焦 EIG):本文用 KDE 显式估计密度,而非用重要性采样隐式处理,计算更直接但可能偏差更大。
主要结果¶
理论结果:本文没有提供新的理论定理。其核心贡献是算法框架(Algorithm 1)和数值验证。EIG 估计器的渐近性质(一致性、收敛速率)沿用了 Ryan (2003) 的 NMC 分析框架,本文未做改进。
数值结果(按实验组织):
- 一维测试(Case BM, T1, T2, T3):
- BM(\(z = \theta\)):GO-EIG 与参数 EIG 一致,验证了方法的正确性(与网格参考解吻合)。
- T1(\(z = \sin\theta + \theta e^{\theta + |0.5-\theta|}\),双射):GO-EIG 曲线与 BM 一致(因为双射变换不改变互信息),验证了理论性质。
- T2(分段常数 \(z\)):GO-EIG 与参数 EIG 显著不同,最优设计从 \(d \approx 1.0\)(参数 EIG)变为 \(d \approx 0.2\)(GO-EIG),说明目标导向设计确实会改变实验决策。
- T3(非单调 \(z\)):GO-EIG 最优设计在 \(d \approx 0.2\),而参数 EIG 最优在 \(d \approx 1.0\),进一步展示了差异。
-
关键观察:T2/T3 中 GO-EIG 的最优设计倾向于"区分 QoI 值"而非"区分参数值",这与直觉一致——如果 QoI 是参数的不可逆函数,那么对 QoI 无影响的参数不确定性不值得通过实验消除。
-
二维测试(Easom 和 Rosenbrock 预测模型):
- 参数 EIG 在 \(d \approx 0.2\) 处有峰值(因为 \(\theta_2\) 的信号在此最强),但 GO-EIG 在 \(d \approx 0.7\) 处最优。
- 解释:Easom/Rosenbrock 函数对 \(\theta_1\) 的敏感性在 \(d\) 较大时才显现,因此 GO-EIG 选择更大的 \(d\) 以同时获得 \(\theta_1\) 和 \(\theta_2\) 的信息,尽管 \(\theta_2\) 的信息在 \(d=0.2\) 时最强。
-
结论:GO-EIG 的最优设计不能从参数 EIG 的结果简单推导,必须直接优化 QoI 上的信息增益。
-
对流-扩散源反演(应用):
- 问题:在二维对流-扩散场中,通过布置传感器观测浓度,反演未知源位置 \(\theta = (\theta_{x_1}, \theta_{x_2})\),预测未来时刻的浓度分布。
- 使用 DNN 代理模型加速前向求解(加速约 \(10^5\) 倍)。
- 结果:GO-EIG 最优传感器位置与参数 EIG 显著不同,且 GO-EIG 的传感器更靠近预测目标区域(QoI 位置),而非源位置本身。
- 实际意义:如果实验目的是预测下游浓度而非精确估计源位置,传感器应布置在"信息传递路径"的关键位置,而非源附近。
计算成本分析(Section 4.3): - 每轮外层循环需要 \(n_{in}\) 次 MCMC 采样,每次 MCMC 需要多次前向模型评估。 - 总成本 \(\propto n_{out} \times n_{in} \times (\text{MCMC 迭代数}) \times (\text{前向模型成本})\)。 - 作者报告:当 \(n_{in}\) 从 1000 增至 4000 时,计算时间从约 0.5 秒增至约 2 秒(一维情况),呈线性增长。 - 维度增加时,MCMC 混合变慢,KDE 误差增大,成本增长更快(作者未给出精确 scaling law)。
🔎 结论是否比证明窄¶
明确比证明窄的地方:
-
"通用性"声明 vs 实验验证范围:作者在摘要和引言中声称方法适用于"非线性观测和预测模型",但所有实验的 \(\theta\) 维度 \(\leq 2\),\(z\) 维度 \(\leq 2\),\(d\) 维度 \(\leq 2\)。对于高维参数/设计空间,MCMC 和 KDE 的表现未经验证。作者在结论中承认:"the proposed method may become computationally prohibitive for high-dimensional problems"——但这与摘要中的"general framework"表述存在张力。
-
KDE 的误差控制:作者用交叉验证选择带宽,但未提供 KDE 误差对 EIG 估计偏差的传播分析。文中提到"bandwidth can affect the estimation of U(d)"(Section 3.2.2),但未量化这种影响。对于 \(n_z \geq 3\),KDE 的收敛速率急剧恶化(\(O(n^{-4/(n_z+4)})\)),作者未讨论这一维度灾难。
-
MCMC 的收敛保证:作者用 oracle initialization(从真实 \(\tilde{\theta}^{(i)}\) 初始化 MCMC)来加速收敛,但承认这在真实实验中不可行。对于多峰后验,MCMC 可能无法充分探索,导致 EIG 估计偏差。作者未提供诊断或补救措施。
-
BO 的全局最优性:作者使用 L-BFGS-B 优化采集函数,这只能保证局部最优。对于多峰 \(U(d)\),BO 可能陷入局部最优。作者未讨论这一问题。
未明确声明但隐含的局限: - 噪声方差 \(\Sigma_\epsilon\) 已知的假设在实验中始终成立,但实际中通常需要估计。 - 所有实验的观测噪声都很小(\(\sigma^2 = 10^{-4}\)),高噪声场景下的 EIG 估计可能更不稳定。 - DNN 代理模型的训练误差(\(10^{-6}\) 到 \(10^{-7}\))虽然小,但未分析其对 EIG 估计的影响。
四、开放问题¶
以下开放问题均扎根于本文的具体语句:
-
高维 QoI 的密度估计(扎根于 Section 3.2.2 和 Section 4.3):作者用 KDE 估计 \(p(z)\) 和 \(p(z|y,d)\),但 KDE 在高维 \(z\) 下遭遇维度灾难。文中所有实验 \(n_z \leq 2\)。要解决的问题:能否用归一化流、变分推断或分数匹配等现代密度估计方法替代 KDE,在 \(n_z \geq 5\) 时仍保持可接受的 EIG 估计精度?能否给出 KDE 带宽选择对 EIG 估计偏差的有限样本界?
-
MCMC 的扩展性(扎根于 Section 3.2.1 和 Section 4.3):作者用 emcee 进行后验采样,并依赖 oracle initialization 加速收敛。要解决的问题:当参数维度 \(n_\theta\) 增大时,MCMC 的混合时间如何影响 EIG 估计的方差?能否用变分推断或 Laplace 近似替代 MCMC,在牺牲精度的代价下换取可扩展性?是否存在针对多峰后验的鲁棒采样策略?
-
EIG 估计器的理论性质(扎根于 Section 3.1 的 NMC 估计器):作者直接沿用 Ryan (2003) 的 NMC 框架,未提供新的理论分析。要解决的问题:当 \(p(z|y,d)\) 用 KDE 估计时,NMC 估计器的偏差和方差如何随 \(n_{in}, n_{out}\) 和带宽 \(b\) 变化?是否存在最优的 \((n_{in}, n_{out}, b)\) 分配策略使均方误差最小?能否构造去偏的 EIG 估计器?
-
BO 的全局优化保证(扎根于 Section 3.3 和 Section 4.2):作者用 L-BFGS-B 优化采集函数,只能保证局部最优。要解决的问题:当 \(U(d)\) 是多峰函数时,BO 的全局收敛性如何保证?能否利用 \(U(d)\) 的特定结构(如 Lipschitz 连续性)设计更高效的全局优化策略?
-
目标导向设计的理论理解(扎根于 Section 2 的公式 (10)-(12) 和 Section 4.1 的 T2/T3 结果):作者通过数值实验展示了 GO-EIG 与参数 EIG 的差异,但未提供理论刻画。要解决的问题:在什么条件下 \(I(z; y|d)\) 与 \(I(\theta; y|d)\) 的最优设计一致?能否给出 \(I(z; y|d) \leq I(\theta; y|d)\) 的等式条件(即 QoI 映射何时保信息)?对于不可逆映射 \(H\),信息损失的量化界是什么?
提示:要确认上述问题是否为真 gap,建议检索近 5 年(2020-2025)BOED 相关文献(如 Foster et al. 2021 的深度自适应设计、Rainforth et al. 2024 的综述、以及 NeurIPS/ICML 上的 EIG 估计器论文)。若多篇近期论文都指向同一问题,则为共识性 gap;若互相矛盾,则为机会。
Maintained by 陈星宇 · Homepage · Source on GitHub