paint-brush
تجزیه و تحلیل سیگنال دهی بهینه با آزمایش های باینری نتیجه در آزمایشات دو فازیتوسط@bayesianinference
140 قرائت

تجزیه و تحلیل سیگنال دهی بهینه با آزمایش های باینری نتیجه در آزمایشات دو فازی

توسط Bayesian Inference
Bayesian Inference HackerNoon profile picture

Bayesian Inference

@bayesianinference

At BayesianInference.Tech, as more evidence becomes available, we make predictions...

3 دقیقه read2024/11/10
Read on Terminal Reader
Read this story in a terminal
Print this story
tldt arrow
fa-AF-flagFA-AF
این داستان را به زبان دری بخوانید!
en-flagEN
Read this story in the original language, English!
ru-flagRU
Прочтите эту историю на русском языке!
es-flagES
Lee esta historia en Español!
ja-flagJA
この物語を日本語で読んでください!
af-flagAF
Lees hierdie storie in Afrikaans!
rw-flagRW
Soma iyi nkuru muri Kinyarwanda!
sr-flagSR
Прочитајте ову причу на српском!
kk-flagKK
Бұл оқиғаны қазақша оқыңыз!
hr-flagHR
Pročitajte ovu priču na hrvatskom!
nso-flagNSO
Bala kanegelo ye ka Sesotho sa Leboa!
ur-flagUR
اس کہانی کو اردو میں پڑھیں!
ka-flagKA
წაიკითხეთ ეს ამბავი ქართულად!
FA-AF

خیلی طولانی؛ خواندن

این بخش سیگنال‌دهی بهینه را در یک مدل متقاعدسازی بیزی دو فازی با آزمایش فاز I طراحی‌شده توسط فرستنده و آزمایش‌های فاز II تعیین‌شده، از جمله موارد بی‌اهمیت، بررسی می‌کند. لم 1 نشان می‌دهد که آزمایش‌های مرحله دوم بی‌اهمیت، راهبردهایی مشابه آزمایش‌های تک فازی را امکان‌پذیر می‌سازد.
featured image - تجزیه و تحلیل سیگنال دهی بهینه با آزمایش های باینری نتیجه در آزمایشات دو فازی
Bayesian Inference HackerNoon profile picture
Bayesian Inference

Bayesian Inference

@bayesianinference

At BayesianInference.Tech, as more evidence becomes available, we make predictions and refine beliefs.

0-item

STORY’S CREDIBILITY

Academic Research Paper

Academic Research Paper

Part of HackerNoon's growing list of open-source research papers, promoting free access to academic material.

نویسندگان:

(1) Shih-Tang Su، دانشگاه میشیگان، Ann Arbor (shihtang@umich.edu);

(2) Vijay G. Subramanian، دانشگاه میشیگان، آن آربور و (vgsubram@umich.edu);

(3) Grant Schoenebeck، دانشگاه میشیگان، آن آربور (schoeneb@umich.edu).

جدول پیوندها

چکیده و 1. مقدمه

2. فرمول مسئله

2.1 مدل آزمایش‌های باینری نتیجه در آزمایش‌های دو فازی

3 آزمایش با نتیجه دودویی در آزمایشات دو فازی و 3.1 آزمایش با غربالگری

3.2 مفروضات و راهبردهای القایی

3.3 محدودیت های ارائه شده توسط آزمایش های فاز دوم

3.4 نسبت متقاعدسازی و ساختار سیگنال دهی بهینه

3.5 مقایسه با راهبردهای متقاعدسازی بیزی کلاسیک

4 آزمایش با نتیجه باینری در آزمایش‌های چند مرحله‌ای و 4.1 مدل آزمایش‌های باینری نتیجه در آزمایش‌های چند مرحله‌ای

4.2 آزمایش های تعیین شده در مقابل آزمایش های طراحی شده توسط فرستنده

4.3 مدل چند مرحله ای و متقاعدسازی بیزی کلاسیک و مراجع

3 آزمایش باینری نتیجه در آزمایشات دو فازی

در این بخش، مسئله بهینه سازی فرستنده ارائه شده در (2) بخش 2.1، با شروع ساده ترین حالت غیر پیش پا افتاده حل می شود. تنها دو مرحله در کارآزمایی مورد مطالعه در اینجا وجود دارد، و از این طریق بینش بیشتری در مورد اینکه چگونه انواع مختلف آزمایش‌ها (تعیین‌شده در مقابل طراحی‌شده توسط فرستنده) بر استراتژی سیگنال‌دهی بهینه فرستنده تأثیر می‌گذارند، توسعه خواهیم داد. برای دقیق تر بودن، ما تجزیه و تحلیل خواهیم کرد که چگونه دو آزمایش تعیین شده (در فاز II) و یک آزمایش طراحی شده توسط فرستنده (در فاز I) بر استراتژی سیگنال دهی بهینه فرستنده تأثیر می گذارد. قبل از اینکه مورد کلی را ارائه کنیم، زیر مجموعه ای از آزمایشات دو فازی را مورد بحث قرار می دهیم که مشابه آزمایشات تک فازی هستند. در این کلاس از کارآزمایی‌های دو مرحله‌ای، در یکی از آزمایش‌های فاز دوم که آزمایش بی‌اهمیت نامیده می‌شود، توزیع نتیجه مستقل از حالت واقعی است. آزمایش‌های بی‌اهمیت [2]، که در برخی از متون، آزمایش‌های غیر اطلاعاتی (Blackwell) نیز نامیده می‌شوند، اغلب به عنوان معیار برای مقایسه تغییر مطلوبیت مورد انتظار عوامل تحت طرح‌ها/مکانیسم‌های سیگنالینگ مختلف، به عنوان مثال، [22،20،21] استفاده می‌شوند. این مدل دو مرحله‌ای با یک آزمایش بی‌اهمیت سعی می‌کند مشکلات دنیای واقعی را با یک آزمایش واقعی (و پرهزینه) به تصویر بکشد، به عنوان مثال، آزمایش‌های بالینی، سرمایه‌گذاری‌های مخاطره‌آمیز، یا مأموریت‌های فضایی. از آنجایی که آزمایش پرهزینه است، یک روش غربالگری برای تصمیم گیری در مورد ارزش انجام آزمایش ارائه شده است. سپس استراتژی سیگنال دهی بهینه را در سناریوی کلی تحلیل خواهیم کرد، جایی که هر دو آزمایش در فاز II غیر ضروری هستند.

3.1 آزمایش با غربالگری

ما با تجزیه و تحلیل استراتژی بهینه فرستنده (ساختار سیگنالینگ) در یک سناریوی ساده شروع می کنیم که در آن یک آزمایش غیر پیش پا افتاده در فاز II انجام شده است. اختیار فرستنده در انتخاب جفت احتمال (p1, p2) فرآیند غربالگری را کنترل می کند. برای جلوگیری از هرگونه ابهام، ابتدا تعریف می کنیم که یک آزمایش بی اهمیت چیست.


image


هنگامی که یک آزمایش بی اهمیت (در مرحله دوم) انجام می شود، باور پسین حالت همان باور موقتی است که در (1) به دست آمده است. هنگامی که یک آزمایش بی اهمیت در دو گزینه آزمایشی فاز-II وجود دارد، لمای 1 بیان می کند که سود مورد انتظار فرستنده و گیرنده تحت استراتژی سیگنال دهی بهینه مانند مسئله متقاعدسازی کلاسیک بیزی (تک فازی) است.


لم 1. هنگامی که فضای حالت باینری است، هر دو ابزار مورد انتظار فرستنده و گیرنده در دو طرح متقاعدسازی بیزی زیر تحت استراتژی سیگنال دهی بهینه هر طرح یکسان هستند:


  1. متقاعدسازی بیزی در یک آزمایش تک مرحله ای،


  2. متقاعدسازی بیزی در یک کارآزمایی دو مرحله ای با یک آزمایش فاز اول طراحی شده توسط فرستنده و یک آزمایش بی اهمیت در فاز دوم.


در محیط متقاعدسازی بیزی کلاسیک تک محاکمه ای، استراتژی سیگنال دهی بهینه فقط دو حالت ممکن را در یک نتیجه مخلوط می کند (به عنوان مثال، زمانی که دادستان ادعا می کند مظنون مجرم است). در نتیجه دیگر، فرستنده وضعیت واقعی را با احتمال یک فاش می کند (مثلاً زمانی که دادستان می گوید مظنون بی گناه است). هنگامی که یک آزمایش بی اهمیت در فاز II وجود دارد، آزمایش دیگر (با فرض اینکه در نتیجه ωB انجام می شود) با انتخاب آزمایشات فرستنده در فاز I غیرفعال می شود. این پدیده به این دلیل رخ می دهد که فرستنده همیشه می تواند انتخاب کند که نشان دهد حالت واقعی زمانی که آزمایش غیر پیش پا افتاده انجام شود، یعنی با تنظیم P(θ1|EB) = 1 یا P(θ2|EB) = 1. و استراتژی متقاعدسازی بیزی کلاسیک را می توان تکرار کرد. در اصل، انجام یک آزمایش بی اهمیت در آزمایش فاز دوم، فرستنده را محدود نمی کند.



L O A D I N G
. . . comments & more!

About Author

Bayesian Inference HackerNoon profile picture
Bayesian Inference@bayesianinference
At BayesianInference.Tech, as more evidence becomes available, we make predictions and refine beliefs.

برچسب ها را آویزان کنید

این مقاله در ارائه شده است...

Read on Terminal Reader
Read this story in a terminal
 Terminal
Read this story w/o Javascript
Read this story w/o Javascript
 Lite
Also published here
X REMOVE AD