用于贝叶斯优化的函数空间不放回采样

基于摘要分析。本文研究昂贵黑盒函数的贝叶斯优化（BO），提出采集策略 Non-Replacement Function Space Sampling（NRFS）：优先采样此前未参与采集决策的函数，以隐式实现探索与利用的平衡，而非显式调节二者的权衡。 核心机制是在每个候选点与“以该候选点为最优解的函数集合”之间建立对应关系，并据此推导设计空间中的搜索策略。其方法特色是将历史采集决策涉及的函数纳入后续选择依据；但函数空间如何表示、“未参与”的判定方式，以及这一机制如何与概率模型和后验更新结合，摘要未展开，尚需全文核对。 作者报告，NRFS 在一系列基准任务中达到最先进性能，并在所评估设置中持续改善优化表现，尤其适用于同时需要广泛探索与精确利用的困难情形。摘要未提供具体任务、评价指标、优化预算、基线配置或数值结果，因而目前无法判断收益幅度与适用边界；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 解码器调参可建模为昂贵黑盒优化，NRFS 可能作为外层参数搜索策略复用，而非直接替代信号编码或分类模型。其依赖可定义的候选参数空间、逐次目标评估及函数空间表示；需改造目标评估模块以适配 EEG 的噪声与被试差异。低信噪比、小数据及不同通道配置可能使目标评估波动，跨被试差异也可能削弱搜索结果的可迁移性。一个可检验的小实验是在固定 EEG 解码器、固定被试内训练与验证划分及相同搜索预算下，对比 NRFS 与传统 BO，并用独立测试集评估所选参数，检验其是否稳定改善搜索效率。已有 EEG 相关工作尚未检索确认。