베이지안 최적 실험 설계 (Bayesian Optimal Experimental Design, BOED)는 모델 파라미터 (model parameters)에 대한 정보 이득 (information gain)을 최대화하도록 실험을 선택합니다. 그러나 의사결정이 중요한 환경에서는 파라미터 불확실성을 줄이는 것이 반드시 후속 의사결정의 개선으로 이어지지는 않는데, 이는 목표와 관련된 특정 파라미터 방향만이 진정으로 중요하기 때문입니다. 본 논문에서는 특정 의사결정 목표를 위해 실험 설계를 직접 최적화하는 목표 지향적 (goal-driven) BOED 프레임워크인 GoBOED를 제안합니다. GoBOED는 분할 상환 변분 사후 대리 모델 (amortized variational posterior surrogate)과 미분 가능한 볼록 의사결정 레이어 (differentiable convex decision layer)를 결합하여, 완전히 의사결정에 초점을 맞춘 경사 하강법 기반의 설계 최적화 (gradient-based design optimization)를 가능하게 합니다. 이론적으로 우리는 GoBOED의 경사 (gradients)가 의사결정 목표와 무관한 파라미터 방향에 민감하지 않음을 보여주며, 왜 목표 지향적 설계가 정보 이득 최대화 방식보다 더 넓은 실험 설계 집합에 대해 동등한 의사결정 품질을 달성할 수 있는지에 대한 공식적인 근거를 제공합니다. 실증적으로, 소스 위치 추적 (source localization), 전염병 관리 (epidemic management), 약동학 제어 (pharmacokinetic control) 분야에 걸쳐 GoBOED는 후속 의사결정 목표와 더 잘 일치하는 설계를 식별하며, 최적에 가까운 설계 구간 (near-optimal design windows)이 목표를 고려하지 않는 (goal-agnostic) BOED 접근 방식이 예측하는 것보다 실질적으로 더 넓다는 것을 밝혀냅니다.