HiBO：通过自适应搜索空间分区实现分层贝叶斯优化

基于摘要分析。该研究针对高维搜索空间中黑箱函数难以用传统贝叶斯优化（BO）高效优化的问题，提出分层算法 HiBO，将全局搜索空间分区信息引入局部 BO 优化器的采集策略。原论文的研究对象是通用黑箱优化，摘要列出的评估场景为高维合成基准与数据库管理系统（DBMS）配置调优，并非 EEG 或 BCI。 机制上，HiBO 使用基于搜索树的全局导航器，自适应地将搜索空间划分为具有不同采样潜力的区域；局部优化器利用这些全局信息调整采集策略，使搜索偏向更有潜力的区域。其核心思路是协调全局空间探索与局部 BO，而非仅依赖局部优化。摘要未说明分区准则、采样潜力的计算方式、代理模型或具体采集函数，这些实现细节尚未验证。 作者报告，在高维合成基准上，HiBO 优于所比较的前沿方法，并在 DBMS 配置调优中表现出实际效果。摘要未提供基准名称、维度、评估预算、对照方法、具体指标或效果数值；实验协议、消融及统计信息尚未验证，暂不能判断其优势依赖哪些搜索空间条件。 平台推测（待验证）：若 EEG 解码流程的超参数调优可表述为有明确搜索边界、以验证集表现为目标的昂贵黑箱优化，则全局分区导航与局部 BO 的组合可能具有复用价值。这一假设依赖足够的目标函数评估预算，不要求直接建模原始 EEG。迁移时需适配连续与离散超参数、条件约束及验证分数的不确定性；EEG 低信噪比、跨被试差异和小数据可能使区域潜力估计不稳定。可在固定数据划分和相同评估预算下，将 HiBO 与常规 BO 用于同一 EEG 解码流程调参，比较验证集最优值及独立测试集表现，并重复随机种子检验稳定性。相关 EEG 工作尚未检索确认。