摊销搜索空间上的贝叶斯优化

基于摘要分析。本文研究如何在具有近似可微机制模拟器的黑箱优化问题中，利用模拟器的摊销逆映射构建低维搜索空间，并通过感知原问题几何结构的 Gaussian process 核执行贝叶斯优化。主要应用是 Parkinson's disease 的个体化药物给药方案优化，而非 EEG 解码或 BCI 算法。 方法上，作者使用基于群体数据校准、且量化了参数不确定性的药代动力学/药效动力学（PK/PD）模型作为模拟器。给药神经网络先离线学习从患者 PK/PD 参数到模型预测最优给药方案的映射；在线阶段则在这一学习得到的低维表示上搜索，而不是直接优化原始给药剂量。其关键设计是将搜索空间压缩与原问题的几何信息结合，以利用优化问题的低内在维度。 理论上，作者推导了体现该方法收益与局限的遗憾界，但摘要未提供具体假设、界的形式或适用条件。实验方面，作者报告在个体化给药的数值模拟中性能得到改善，并在模拟器失配条件下进行了验证；摘要未给出评估指标、对照基线、改善幅度或失配设置，因此不能据此判断临床有效性或泛化范围。 复现时需核对模拟器及不确定性的构造方式、离线训练目标、低维表示的定义、几何感知核的实现，以及在线评估预算和对照协议。实验协议、消融及统计信息尚未验证，代码可用性亦尚未验证。所给材料没有建立与 EEG/BCI 的具体机制对应关系，不据此推断相关效果；已有 EEG 相关工作尚未检索确认。