贝叶斯优化中金属有机框架（MOFs）的自适应表征

基于摘要分析。本文研究分子与材料优化中固定特征表征可能不适配新任务的问题，提出 Feature Adaptive Bayesian Optimization（FABO），将特征选择整合进贝叶斯优化（BO）过程，使材料表征随优化迭代动态调整。主要研究对象是材料发现，尤其是高性能金属有机框架（MOFs）的搜索，而非神经信号或 BCI。 其方法动机是：特征表征的完整性与紧凑性会影响 BO 搜索效率，而新优化任务往往缺乏充分的先验知识或大规模标注数据；预先固定的表征还可能使搜索受到偏置。FABO 的核心思路是在优化过程中自适应选择特征，而不是仅在搜索前确定一套不变的输入表征。摘要未披露具体特征选择准则、代理模型、采集函数及更新流程。 作者报告，在多个分子优化任务中，包括三个具有不同性质分布、需要不同表征的 MOFs 优化任务，自适应表征优于随机搜索基线，也优于可利用特征空间先验知识的对照情境。摘要未给出具体指标、数值、搜索预算或重复实验设置，因此无法量化优势或判断其稳定性。作者还报告，在已知任务中，FABO 自动识别的表征与人类化学直觉一致，并展示了带偏置的表征可能损害 BO 表现。 复现时需核对候选材料空间、初始观测与预算、特征选择是否仅依赖当轮可用信息，以及各对照的先验信息和计算成本。实验协议、消融及统计信息尚未验证；现有摘要不足以建立面向 EEG/BCI 的具体迁移结论。