在 Wasserstein 空间中利用生成模型进行黑箱函数全局优化

基于摘要分析。本文研究随机性与较高维度下的黑箱模拟器无梯度优化，提出利用深度生成代理模型构建 Wasserstein uncertainty，并将其用于全局搜索；研究对象是通用黑箱优化，而非 EEG 解码或 BCI 系统。 核心机制是先用深度生成代理模型描述整个参数空间中的黑箱响应，再基于 Wasserstein 距离估计不确定性。该估计被引入一种不依赖特定后验形式（posterior agnostic）的无梯度优化算法，目标是在整个参数空间上最小化 regret。摘要未说明生成模型架构、训练损失、Wasserstein 距离的具体计算对象与估计方法，也未给出搜索点选择规则，因此尚不能判断实现成本或复现所需的完整条件。 作者报告，一系列测试显示，该方法对黑箱函数形状及随机响应的变化，比包括采用深度 Gaussian process 代理的 efficient global optimisation 在内的先进方法更稳健。摘要未提供测试函数、维度、评估预算、重复试验次数或具体指标，故该结论目前只能作为作者报告的定性结果，不能据此判断优势幅度或适用边界。实验协议、消融及统计信息尚未验证。 所给材料未提供神经信号实验或明确的 EEG/BCI 机制对应，不能将通用黑箱优化的结果视为 BCI 有效性证据。