베이지안 실험 설계 (Bayesian experimental design, BED)는 전통적으로 사전 확률 (prior)에서 사후 확률 (posterior)로의 기대 불확실성 감소를 최대화하는 방식에 기반해 왔습니다. 이 접근 방식의 주요 단점은 최적화하기 어려운 이중 난해 (doubly intractable) 목적 함수를 초래하며, 관심 있는 특정 다운스트림 작업 (downstream tasks)에 맞게 이를 맞춤화하는 것 또한 어려울 수 있다는 점입니다. 의사결정 이론 (decision theory)의 제1원칙에 따라, 우리는 BED가 다운스트림 행동 (downstream actions)에 대한 기대 미래 손실 (expected future loss, EFL) 관점에서 대안적으로 공식화될 수 있음을 입증하며, 이를 통해 단순하고 자연스럽게 작업 중심적인 (task-driven) 프레임워크를 제공합니다. 결정적으로, 우리는 이러한 모든 EFL이 단일 난해 (singly intractable) 목적 함수로 재구성될 수 있음을 보여주며, 이는 확률적 경사하강법 (stochastic gradients)을 사용하여 설계 정책 (design policy)과 다운스트림 행동 정책 (downstream action policy) 모두에 대해 공동으로 최적화될 수 있습니다. 우리는 이 접근 방식을 ACTION-BED라고 부릅니다. 이 공식화는 명시적인 사후 확률 (posterior) 또는 주변 가능도 (marginal likelihood) 추정의 필요성을 피할 수 있으며, 모델 파라미터와 데이터에 대한 결합 모델 (joint model)로부터 샘플링하고 다운스트림 손실 함수 (downstream loss function)를 평가할 수 있는 능력만을 요구하는 자연스러운 암묵적 (implicit) 방식입니다. 따라서 기존 방법보다 설계 정책을 더 효과적이고 효율적이며 단순하게 학습할 수 있도록 하며, 동시에 다양한 다운스트림 작업 및 손실에 대한 쉬운 맞춤화를 제공합니다.