Andres Rieznik
Universidad Torcuato Di Tella

Los algoritmos de Optimización Adaptativa del Diseño de experimentos (ADO, por sus siglas en inglés) utilizan estadística bayesiana y aprendizaje de máquina para identificar los diseños experimentales (por ejemplo, propiedades de los estímulos, cronograma de pruebas, recompensas, etc.) que maximizan la ganancia de información esperada, lo que conduce a una rápida acumulación de información con el menor número posible de ensayos.

Los algoritmos existentes son costosos en tiempo y solo resultan prácticos cuando se intenta inferir entre un conjunto limitado de modelos. Por ello, tradicionalmente los algoritmos ADO han sido paramétricos, asumiendo que la curva que se mide tiene una determinada forma analítica (exponencial, ley de potencia, etc.). En consecuencia, los algoritmos ADO tradicionales son particularmente susceptibles a errores de especificación del modelo, dada la fuerza de sus supuestos.

En este coloquio presentaré un algoritmo ADO nuevo y rápido, bayesiano y no paramétrico, desarrollado por nuestro grupo de investigación, para curvas monótonas crecientes o decrecientes, y presentaré simulaciones y resultados experimentales que demuestran su eficacia. Mostraré también un paquete Python de código abierto y fácil de usar que implementa el algoritmo, lo que puede acelerar significativamente su adopción por parte de investigadores en distintas áreas de la ciencia.