面向离散空间贝叶斯优化的采集函数引导生成

基于摘要分析。本文研究离散空间中的贝叶斯优化（BO），针对梯度不可得及有效解稀疏的问题，提出 acquisition function guided generation（AFGG）：将预训练生成模型与直接定义在原始数据空间的代理模型结合，以采集函数引导候选生成。主要评估对象是分子优化，而非 EEG 或 BCI。 与在生成模型潜空间拟合代理模型的路线不同，AFGG 将代理模型保留在数据空间，便于纳入领域特定核等归纳偏置。方法不直接在离散设计空间最大化采集函数，而是从经采集函数倾斜的生成分布中采样候选；随后将该分布嵌入 diffusion bridge，得到平滑、经后验平均的采集函数，为采样提供可用梯度。作者分别以 categorical diffusion model 和 autoregressive normalizing flow 实现该框架。 作者报告，在一组分子基准上，扩散模型版本与领先 BO 方法表现相当，flow 版本在多数情况下优于所比较的当前先进方法，其余情况下仍具竞争力。摘要未给出基准名称、评价指标、优化预算、数值结果及预训练数据规模，不能据此量化优势或比较不同协议。实验协议、消融及统计信息尚未验证。摘要提供了实现地址，但代码内容与复现条件尚未核查。 平台推测（待验证）：若将 EEG 通道子集等离散配置作为候选、以验证集解码表现作为昂贵目标，该框架可能用于约束下的配置搜索，而不是直接承担神经信号解码。可复用部分是数据空间代理模型与采集函数引导采样；需改造候选表示、合法性约束、生成模型及领域核。其适用性取决于是否有足够的有效配置数据支撑生成先验。EEG 低信噪比、跨被试差异、小数据及通道变化可能造成目标估计不稳定或先验失配。一个可证伪的小实验是：固定数据划分与目标评估预算，在 EEG 通道子集搜索中比较 AFGG、常规离散 BO 和随机搜索，并在独立留出数据上检验所选配置；这只是迁移假设，已有 EEG 相关工作尚未检索确认。