用于贝叶斯优化的无放回函数空间采样

基于摘要分析。本文研究昂贵黑箱函数的贝叶斯优化（BO），提出 Non-Replacement Function Space Sampling（NRFS）：优先考虑尚未对既往采集决策作出贡献的函数，以形成探索与利用的平衡，而非依赖显式调节这一平衡的启发式策略。 核心机制是在每个候选点与“将该候选点视为最优点的函数集合”之间建立对应关系，利用函数空间中的选择历史引导设计空间搜索。该思路把探索—利用调节转化为函数集合的优先选择问题。摘要未说明函数如何表示或采样、如何判断其是否已贡献于决策，以及候选集合的构造与计算成本，这些实现条件尚未验证。 作者报告，在多种基准问题上，NRFS 优于所比较的先进 BO 方法，尤其适用于同时需要全局探索与局部细化的情形；但摘要未提供基准名称、评估预算、对照方法、指标或数值，因而无法核对优势的幅度及适用范围。作者还报告，对任意 Lipschitz 连续目标函数给出收敛保证，不受目标景观复杂性影响；具体定理条件、收敛形式与速率仍需正文确认。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG/BCI 系统存在代价高昂的超参数或个体化配置搜索，NRFS 可能作为外层优化器复用，而非直接作为神经信号解码模型。该假设依赖配置可表示为搜索空间、评估能返回目标值，以及有限预算下函数空间采样仍可计算；无需先假定 EEG 大规模训练数据，但需提供可重复的验证评估。需改造的部分包括噪声评估与被试差异的处理；EEG 低信噪比、通道变化和小数据导致的目标估计波动，可能使搜索历史失真。一个可检验的小实验是在固定 EEG 数据划分及相同评估预算下，比较 NRFS 与常用 BO 的配置搜索表现，最终测试集仅用于评估，并检查重复运行稳定性。已有 EEG 相关工作尚未检索确认，原领域结果不构成 BCI 有效性证据。