Bayesian Design of Experiments — Bayesian Optimal Experimental Design

Bayesian Design of Experiments wählt experimentelle Durchläufe aus, indem eine Nutzenfunktion maximiert wird – typischerweise der erwartete Informationsgewinn –, die über die A-priori-Glaubensvorstellungen über Modellparameter berechnet wird. Im Gegensatz zum klassischen Design, das algebraische Kriterien wie D-Optimalität unter festen Annahmen optimiert, integriert Bayesian DOE A-priori-Wissen und Unsicherheit über das System und liefert Designs, die im Erwartungswert über alle plausiblen Parameterwerte optimal sind.