连续黑箱优化问题空间的非参数模型

基于摘要分析。本文研究连续黑箱优化中的问题表征与自动算法选择，提出用非度量多维尺度分析（non-metric multidimensional scaling）构建问题空间的非参数模型，为每个优化问题生成合成特征，以替代或补充现有 Exploratory Landscape Analysis 特征。 原问题与机制：作者认为，已有景观分析方法往往依赖较强假设，或将数据压缩为少量标量特征而损失信息。本文的概念验证尝试避免显式测量和比较特定景观结构，通过问题空间表征支持算法推荐与可视化。这里的“非参数模型”针对优化问题空间，并非神经信号模型；摘要未说明问题间差异如何计算、合成特征维度、采样预算及新问题如何映射。 结果与证据边界：作者报告，与既有方法比较时，该模型具有竞争力。摘要未提供具体问题集、推荐算法、评估指标或分数，因此无法判断优势大小及泛化范围；实验协议、消融及统计信息尚未验证。复现需核对问题采样方式、非度量多维尺度分析设置、算法性能标签及训练与评估问题的划分。 平台推测（待验证）：若 EEG 解码器调参能够形成可比较的连续黑箱优化任务，该机制可能用于按任务特征推荐优化算法，而非直接提高 EEG 解码性能。可复用部分是问题空间表征与推荐思路，需改造的是任务差异定义、采样预算和性能评价。低信噪比、小数据及跨被试差异可能使目标函数评估不稳定，破坏表征与推荐的可靠性。一个可检验的小实验是在固定调参预算下，以留出被试的优化任务比较该推荐方法与固定优化器、既有景观特征推荐方法的最终验证集表现，并将测试集仅用于最终评估。已有 EEG 相关工作尚未检索确认。