随机优化中多保真估计的主动预采样

基于摘要分析。本文研究高保真非线性模型的随机优化成本问题：外层优化每次评估目标时，内层都需通过采样进行不确定性量化。作者提出主动预采样框架，在不同设计点之间共享模型输出的协方差信息，为 approximate control variates（ACV，近似控制变量）估计器提供设计点相关的协方差估计，减少逐点独立预采样的需求。 核心机制是学习协方差矩阵的概率代理模型，以经过矩阵对数变换的相关性及对数标准差进行正定参数化。代理模型在新的优化查询处预测协方差，供 ACV 确定控制变量权重与样本分配；主动学习采集函数则将预采样预算分配给协方差信息不确定、且与外层优化目标更相关的设计点。其区别于一次性估计策略的关键，在于利用协方差信息随设计变化可能具有的平滑性，在迭代查询之间复用信息。 作者报告，在 four-branch benchmark，以及对流—扩散系统中用于传感器布置和测量时间选择的多保真贝叶斯最优实验设计应用中，该方法相较单保真 Monte Carlo 和较简单的预采样策略改善了优化表现。摘要未提供具体指标、预算、重复实验或收益幅度；采集函数形式、代理模型训练方式、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 传感器布置问题具备成本不同但输出相关的仿真模型，并需要反复估计含不确定性的设计目标，该框架可能用于降低设计搜索成本，而非直接改进 EEG 解码。可复用的是协方差代理与主动预算分配，需改造的是高低保真模型及设计目标；低信噪比、跨被试差异或通道变化可能使相关结构不稳定，小样本下代理模型开销也可能抵消收益。可先在固定被试、固定候选通道的仿真任务中，以相同总计算预算比较独立预采样与主动预采样，检验目标估计误差及最终设计质量。已有 EEG 相关工作尚未检索确认。