通过 Voronoi 图遍历探索高维搜索空间

基于摘要分析。本文研究昂贵黑箱函数的高维贝叶斯优化（BO）：高维空间中的稀疏观测难以支撑可靠的 Gaussian Process（GP）建模，可能使搜索缺乏有效引导。作者提出 Voronoi Graph Traversing（VGT），将设计空间划分为 Voronoi 单元并构建无向图，以图遍历协调全局探索和局部 BO。 核心流程包括路径选择、有潜力单元内采样和图扩展。算法使用基于 UCB 的全局遍历策略，选择通往有潜力 Voronoi 单元的路径；随后在选定单元内进行局部 BO，并利用邻近样本子集训练局部 GP。Voronoi 单元的几何边界及图邻接关系用于调整局部采样轨迹。作者还提出面向具有内在低维结构问题的子空间增强方法，但摘要未提供其具体构造。 作者报告，在包含合成基准与真实应用、搜索维度从数百维至一千维的实验中，VGT 达到当时领先的性能。摘要未列出具体任务、基线、函数评估预算、性能数值及重复实验设置，因此尚不能判断优势来自搜索效率、最终目标值还是其他指标；实验协议、消融及统计信息尚未验证。复现还需核对高维 Voronoi 图的构建与扩展成本、邻近子集选择规则及局部 GP 的配置。 平台推测（待验证）：该方法可作为 EEG 流程中昂贵黑箱配置搜索的候选工具，而非 EEG 表征或解码方法。迁移假设依赖于配置能被合理表示为具有几何邻接关系的搜索空间，且有限评估预算足以支持局部建模。可复用图遍历与局部 BO 框架，但需改造混合离散参数的编码、距离定义和含噪目标评估；EEG 低信噪比、被试差异及小样本验证波动可能使局部 GP 与单元选择失准。一个小规模检验是在固定 EEG 任务和无测试集参与的验证协议下，以相同函数评估预算比较 VGT、常规 BO 与随机搜索，记录验证目标、独立测试表现及搜索耗时。相关 EEG 应用工作尚未检索确认。