动力系统实验设计中的分层粒子滤波
内容提要
该文综述贝叶斯实验设计与状态空间模型推断研究，涵盖随机多层次蒙特卡洛优化、SMC²粒子推断、基于互信息的序列设计、UEEG-MCMC与BEEG-AP信息增益梯度估计、PASOA程序、全概率梯度方法及SBI扩展，旨在高效优化实验设计并提升参数推断精度。
延伸解读
方法演进与核心挑战
文章梳理了从2011年SMC²到2024年PASOA等多项研究，显示该领域核心挑战在于：状态空间模型中参数推断与实验设计相互耦合，传统方法难以计算条件概率密度增量。解决方案逐步从单纯粒子滤波转向结合MCMC、随机优化和温度调节，以平衡信息增益与采样精度。
信息增益梯度估计的权衡
UEEG-MCMC和BEEG-AP两种梯度估计方法各有适用场景：前者通过MCMC生成后验样本，鲁棒性强；后者重复利用参数样本，在信息增益值较小时更高效。这提示实际应用中需根据问题规模和增益量级选择方法，而非追求单一最优。
从实验设计到模拟推理的扩展
2023年的研究将贝叶斯最优实验设计扩展到基于模拟的推理（SBI），通过互信息边界建立比率模拟推理与变分推理的联系，实现设计与摊销推理函数的同时优化。这标志着方法从传统设计优化向更广泛的推理任务融合，但文章未涉及具体计算成本或收敛性保证。
Q&A
什么是SMC²算法，它如何用于状态空间模型的贝叶斯推断？
SMC²算法是一种应用于状态空间模型的序贯贝叶斯推断算法，它将粒子滤波器和粒子马尔可夫链蒙特卡洛方法相结合。在θ维度上进行粒子重要性采样，并通过重采样步骤和MCMC更新步骤来更新粒子，从而解决了状态空间内用常规方式无法计算出的条件概率密度增量。
UEEG-MCMC和BEEG-AP在估计信息增益梯度时有什么不同？
UEEG-MCMC通过马尔科夫链蒙特卡罗生成后验样本来估计信息增益梯度，而BEEG-AP通过反复使用参数样本以实现高模拟效率。理论分析和数值研究表明，在实际信息增益值方面，UEEG-MCMC具有较强的鲁棒性，而当待优化的信息增益值较小时，BEEG-AP更加高效。
PASOA程序如何解决贝叶斯实验设计中的顺序优化问题？
PASOA是一种用于贝叶斯实验设计的新程序，通过同时提供参数推断的连续后验分布的准确估计来执行顺序设计优化。它使用对比估计原理、随机优化和顺序蒙特卡洛采样器来进行顺序设计过程，以最大化预期信息增益。为解决连续后验分布之间距离增大影响采样器性能的问题，提出了温度调节方法，旨在同时实现较大的信息增益和准确的蒙特卡洛采样。
随机多层次蒙特卡洛方法在贝叶斯实验设计中有什么作用？
随机多层次蒙特卡洛（MLMC）方法通过使用无偏的蒙特卡罗估计器求解期望信息增益的梯度，提供了一种高效的随机优化算法，可以用于搜索最优的贝叶斯实验设计，适用于简单测试问题和现实药代动力学问题。
如何利用互信息来寻找隐式模型的最佳实验设计？
提出了一种新的序列设计框架，利用实现样本采样的隐式模型分类中的相互信息来寻找最佳实验设计，通过Bayesian优化来优化MI效用。该框架对于各种测试的隐式模型非常有效，在几次迭代后可以产生准确的参数估计。
全概率梯度方法如何解决贝叶斯最优实验设计问题？
全概率梯度方法利用变分下界来进行预期信息增益的优化，并提供多种变分目标，最终表现出比现有方法在高维设计优化中更有效的性能。
