面向模型重训练的基于轨迹的多目标超参数优化

基于摘要分析。本文研究模型重训练中的多目标超参数优化：同一超参数配置在不同训练轮次产生一条目标空间轨迹，传统优化过程可能未充分利用其中的权衡信息。作者将训练轮数作为额外决策变量，提出基于轨迹的多目标贝叶斯优化算法，以联合考虑超参数配置与训练时长。 方法包含两个核心机制：一是通过采集函数刻画某一超参数配置的预测轨迹所带来的改进；二是采用多目标早停机制，决定何时终止该轨迹，以提高训练轮次的利用效率。其研究重点不是改变被训练模型的架构，而是利用逐轮性能信息改进搜索与停止决策。摘要未给出轨迹预测模型、采集函数的具体数学形式或早停判据。 作者报告，在多种合成模拟及超参数调优基准上，该算法相较所比较的先进多目标优化器，能够找到更好的目标权衡，并提高调优效率。具体基准名称、目标定义、预算分配、对照配置、结果数值、实验协议、消融及统计信息尚未验证，不能据此判断优势的幅度或适用范围。 平台推测（待验证）：若 EEG 解码任务能在固定验证划分上获得逐轮、多目标且可比较的评估结果，该机制可能用于协调解码性能与训练成本。可复用的是轨迹级采集与早停思路，需改造的是 EEG 任务目标、验证划分及噪声处理；低信噪比、小数据与跨被试差异可能使轨迹波动加剧，导致过早停止或错误排序。一个可检验的小实验是在固定的跨被试 EEG 划分和相同总训练预算下，对比轨迹方法与仅使用最终轮次信息的多目标优化，检验其能否稳定改善性能—成本权衡。该迁移是假设，并非本文已验证结果；已有 EEG 相关工作尚未检索确认。