HiBBO：用于高维贝叶斯优化的基于 HiPPO 的空间一致性

基于摘要分析。本文研究高维贝叶斯优化（BO）中数据稀疏、代理模型扩展性不足，以及 VAE 降维可能造成潜在空间与原空间函数分布不匹配的问题，提出 HiBBO，将 HiPPO 引入 VAE 的潜在空间构建以增强空间一致性。 核心机制：作者认为，仅依赖重建目标学习低维表示，可能无法保持 BO 所需的函数分布特性，从而影响优化效果。HiBBO 利用原本面向长期序列建模的 HiPPO 来减轻这种不匹配。摘要未说明如何定义函数分布与空间一致性、如何把候选点组织为序列，以及 HiPPO 与 VAE 的具体结合方式；损失形式、训练流程、代理模型和采集函数尚未验证。其方法贡献应理解为服务于高维黑箱优化的表示学习，而非已验证的 EEG 解码方法。 结果与证据：作者报告，在高维基准任务上，HiBBO 相比现有 VAE-BO 方法具有更快的收敛速度与更好的解质量。摘要未提供基准名称、维度、评估预算、对照方法、数值结果或重复实验信息，实验协议、消融及统计信息尚未验证。复现时需要核对空间一致性约束的定义、初始采样与评估预算，以及约束带来的计算开销。 平台推测（待验证）：若 EEG/BCI 系统存在评估昂贵、可映射到低维表示的高维连续参数搜索，HiBBO 或可用于优化流程，而非直接替代信号解码器。可复用的是潜在空间 BO 框架，需改造的是候选参数表示与目标评估接口；低信噪比、被试差异和小样本可能使目标估计不稳定，通道变化也可能改变搜索空间。一个可检验的小实验是：在固定 EEG 数据划分、相同初始采样和评估预算下，比较 HiBBO 与 VAE-BO 的验证集目标随评估次数的变化，并用独立测试集核对最终配置。上述迁移以连续参数表示和可重复评估为前提，已有 EEG 相关工作尚未检索确认。