高维度量空间中质量多样性优化的折扣模型搜索

基于摘要分析。本文研究质量多样性（Quality Diversity，QD）优化在高维度量空间中的探索停滞问题，提出 Discount Model Search（DMS），用平滑、连续的折扣值模型区分度量相近的候选解，以持续搜索兼具目标性能与输出多样性的解集。 核心机制：QD 同时优化目标函数，并追求用户指定的向量值度量函数输出的多样性。摘要指出，CMA-MAE 通过度量空间中的直方图记录折扣值并引导探索；在高维场景中，度量相近的解可能落入同一单元，获得相同折扣值，从而导致搜索停滞。DMS 改用连续模型表示折扣值，减少这种离散表示对相近解的混同。模型形式、拟合目标、更新方式及计算开销尚未验证。 实验与贡献：作者引入两个以高维图像空间为度量空间的新任务，使用户能够通过图像数据集指定期望度量，而非手工设计度量函数。作者报告，在这些任务及高维基准上，DMS 优于 CMA-MAE 和其他现有黑盒 QD 算法。摘要未提供任务名称、数据规模、评价指标、具体数值或搜索预算，实验协议、消融及统计信息尚未验证，因而暂不能判断优势的幅度与稳定性。 平台推测（待验证）：若 EEG 算法或刺激参数搜索需要在优化性能的同时覆盖高维信号特征，连续折扣建模可能成为一种候选搜索模块；这是假设，不是本文已验证的 BCI 贡献。迁移需要重新定义候选参数、性能目标和多样性度量，且低信噪比、被试差异及小样本可能使搜索覆盖噪声而非有意义的差异。可在固定数据划分与相同搜索预算下，比较 DMS 和 CMA-MAE 的性能—多样性权衡，并核对其在留出数据上的稳定性。已有 EEG 相关工作尚未检索确认。