基于 Monte Carlo Tree Search 的黑箱优化搜索空间迁移

基于摘要分析。本文研究计算代价较高的黑箱优化，针对传统 Bayesian optimization（BO）从头求解新任务、现有搜索空间迁移方法适应性或灵活性不足的问题，提出基于 Monte Carlo Tree Search（MCTS）的 MCTS-transfer，在学习得到的子空间中迭代执行划分、选择与优化。 核心机制是将搜索空间迁移用于优化初始化，并在后续优化过程中自适应识别和利用相似源任务的信息，重构搜索空间。其主要方法贡献在于把迁移从一次性的热启动扩展到持续调整搜索区域。摘要未说明空间划分规则、树节点选择准则、源任务相似性估计方式，以及与 BO 代理模型和采集函数的具体衔接，这些机制尚待全文核对。 作者报告，在合成函数、现实问题、Design-Bench 和超参数优化的不同设置下，MCTS-transfer 相比其他搜索空间迁移方法表现更优。摘要未提供具体指标、性能数值、评估预算或对照方法名称，无法据此判断收益幅度与稳定性；实验协议、消融及统计信息尚未验证。作者提供了代码地址，但代码内容、运行依赖及结果可复现性尚未核验。 平台推测（待验证）：该机制可能用于 EEG 解码流程中评估代价较高的超参数搜索，以既有任务的配置—性能记录作为迁移信息，减少目标任务的搜索开销；这不是已验证的 EEG 或 BCI 效果。可复用部分是子空间选择与动态重构，需改造的部分包括跨被试或跨会话的任务相似性定义、参数空间对齐及噪声评估。低信噪比、小数据和被试差异可能使源任务误导搜索。一个可检验的小实验是在固定 EEG 解码器、固定数据划分和相同目标任务评估预算下，对比从头 BO、固定空间迁移与 MCTS-transfer，并将用于选参的验证集与最终测试集分离。相关 EEG 工作尚未检索确认。