El artículo presenta Action-BED, un nuevo marco para el diseño experimental bayesiano que formula el problema en términos de pérdida futura esperada sobre acciones posteriores, en lugar de la reducción de incertidumbre. Este enfoque convierte objetivos tradicionalmente doblemente intractables en singlamente intractables que pueden optimizarse conjuntamente utilizando gradientes estocásticos.
- El método evita la estimación explícita del posterior o de la verosimilitud marginal al depender únicamente del muestreo del modelo conjunto y la evaluación de la función de pérdida posterior.
- Permite la optimización conjunta tanto de la política de diseño como de una política de acción posterior a través de gradientes estocásticos.
- Esta formulación permite una personalización más sencilla para diferentes tareas posteriores y pérdidas en comparación con los métodos existentes.
Este enfoque permite que las políticas de diseño se aprendan de manera más efectiva, eficiente y simple, al tiempo que proporciona una fácil personalización para varias tareas posteriores.