VolcanoML：通过可扩展的搜索空间分解加速端到端 AutoML

基于摘要分析。该研究面向端到端 AutoML 在大规模、高维搜索空间中的可扩展性问题，提出 VolcanoML 框架，将特征工程、算法或模型选择及超参数调优形成的联合搜索空间分解为较小空间，并支持组合与执行相应的搜索计划。 核心机制是提供用于搜索空间分解的基础构建块，让用户根据具体 AutoML 问题将这些构建块组合成执行计划，再以类似现代数据库系统的 Volcano-style 执行模型运行。其主要贡献在于搜索空间分解与执行的组织方式，而不是摘要已明确描述的某种新预测模型；构建块的具体定义、调度方式、搜索算法及资源分配机制尚未验证。 作者报告，评估表明 VolcanoML 不仅提高了 AutoML 搜索空间分解的表达能力，还能找到比 auto-sklearn 等现有系统采用的策略显著更高效的分解方案。摘要未提供数据集、搜索预算、效率指标、性能数值或统计检验，因此无法判断收益主要来自运行时间、资源利用还是其他评估维度；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 解码流程包含可配置的预处理、特征提取、分类器与超参数，搜索空间分解可能用于组织这些环节的联合优化。可复用的是分解与执行计划抽象，需改造的是 EEG 流水线接口、被试与会话感知的数据划分以及评价目标。低信噪比、跨被试差异和小数据可能使候选配置的评价不稳定，分解也可能忽略环节间的重要交互。一个可检验的小实验是在固定 EEG 数据、相同跨被试划分和搜索预算下，对比分解搜索与未分解搜索的 Balanced Accuracy、总运行时间及多次运行波动。原领域的效率结论不等于 BCI 有效性，已有 EEG 相关工作尚未检索确认。