Tempered SMC for Sequential Bayesian Optimal Design - Archive ouverte HAL Accéder directement au contenu
Communication Dans Un Congrès Année : 2024

Tempered SMC for Sequential Bayesian Optimal Design

Résumé

Nous proposons une approche Monte Carlo séquentielle tempérée (SMC) pour l’optimisation séquentielle du design experimental dans un context bayésien. Le choix séquentiel des parametres de design est effectué par une procédure d’approximation stochastique (SA) incorporant des échantillonneurs SMC avec tempering. Le tempering rend possible à la fois un gain d’information important et un échantillonnage SMC précis. Cette combinaison originale de SA et SMC permet d’obtenir simultanément le design optimal et une approximation de la loi a posteriori des paramètres. Une application à une tache de localisation de sources illustre qu’un gain intéressant peut être atteint en utilisant des simulations pour limiter le nombre de mesures couteuses à faire sur le terrain.
Fichier principal
Vignette du fichier
TempBOED.pdf (1.13 Mo) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)

Dates et versions

hal-04497600 , version 1 (10-03-2024)

Licence

Paternité

Identifiants

  • HAL Id : hal-04497600 , version 1

Citer

Jacopo Iollo, Christophe Heinkele, Pierre Alliez, Florence Forbes. Tempered SMC for Sequential Bayesian Optimal Design. GRETSI 2023 - XXIXème Colloque Francophone de Traitement du Signal et des Images, Aug 2023, Grenoble, France. pp.501-504. ⟨hal-04497600⟩
4 Consultations
1 Téléchargements

Partager

Gmail Facebook X LinkedIn More