具有理论保证的连续搜索空间主动水平集估计

基于摘要分析。本文研究昂贵黑箱函数的水平集估计：以尽可能少的函数评估，确定连续定义域中函数值高于或低于给定阈值的区域。作者提出直接在连续搜索空间中选点的主动估计算法，无需预先离散化，并提供收敛至准确解的理论分析。 核心机制是构造采集函数，以函数值位于阈值上方或下方的置信程度为依据选择评估点。其目标是识别满足阈值条件的区域，而非仅寻找函数最优值。摘要将创新定位于避免离散化及提供收敛保证，但置信度如何建模、采集函数的具体形式、连续优化过程、收敛条件与误差界均尚未验证，不能由此认定其采用某种特定代理模型或状态空间模型。 作者报告，在多个合成与真实世界数据集上，该算法优于所比较的先进方法。摘要未提供数据集名称、评估预算、指标、基线及数值结果；实验协议、消融及统计信息尚未验证。复现需从全文核对阈值设定、函数评估成本、选点求解开销，以及理论假设与实际任务的对应关系。 平台推测（待验证）：若 BCI 系统存在可重复评估的连续参数空间，且目标是识别性能超过预设阈值的参数区域，该机制可能用于减少昂贵的参数评估。可复用的是阈值区域识别与主动选点思路；需改造的是评估噪声建模、被试差异及跨会话漂移处理。EEG 低信噪比与小样本条件可能导致阈值附近的置信判断不稳定，原领域结果不等于 BCI 有效。一个可检验的小实验是在固定数据划分下，对低维连续解码参数空间进行搜索，以相同函数评估预算比较该方法与离散网格或随机选点的阈值区域识别误差，并通过重复评估检查噪声敏感性。已有 EEG 相关工作尚未检索确认。