非线性贝叶斯最优实验设计基于对数 Sobolev 不等式

从候选池中选择 $k$ 个实验以最大化所选子集与潜在参数之间的互信息，并通过基于 Log-Sobolev 不等式构建的计算廉价的互信息下界提出了贪婪方法，这对于非线性 / 非高斯环境中的互信息评估而言具有计算复杂性的问题具有优于随机选择策略、高斯近似和嵌套 Monte Carlo（NMC）估计的性能，包括在具有非加性噪声的非线性模型的最优设计。