具有理论保证的连续搜索空间主动水平集估计

本文研究连续搜索空间中的主动水平集估计：当黑箱函数的评估成本较高时，用尽可能少的函数评估确定函数值高于或低于给定阈值的区域。作者提出无需预先离散化搜索空间的算法，通过衡量阈值判定置信度的采集函数选择评估点，并提供收敛至准确解的理论分析。基于摘要分析，未取得论文全文。 核心机制是围绕“函数值位于阈值哪一侧”的不确定性安排评估，而非仅寻找函数最大值。摘要指出，面向有限离散点集的方法用于连续空间时通常需要先离散化，可能带来精度与计算开销问题；本文试图直接在连续域中开展主动查询。不过，函数建模方式、置信度定义、采集函数的具体形式与优化方式，以及理论保证依赖的函数性质、噪声条件和误差标准，均尚未验证。 作者报告，该算法在多个合成与真实世界数据集上优于其比较的先进方法。摘要未提供数据集名称、评价指标、评估预算、对照方法及数值结果，因此尚不能判断优势的幅度与适用范围；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 BCI 校准或刺激参数搜索能表述为“连续参数到带噪性能或响应值”的昂贵黑箱评估，该方法可能用于寻找达到指定阈值的参数区域，而非直接解码 EEG。可复用部分是阈值导向的主动选点机制，需改造部分包括噪声建模、参数约束与安全边界。低信噪比、跨会话漂移及有限评估预算可能使置信度失准；若任务依赖高维 EEG 表征，其连续搜索假设也需重新核对。一个可检验的小实验是在固定被试、固定会话和相同评估预算下，比较该方法与离散网格策略对阈值区域的识别误差及评估次数。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。