通过切换搜索空间改进贪心局部搜索方法

基于摘要分析。本文研究贝叶斯网络等价类的结构搜索，针对 greedy equivalence search（GES）容易陷入局部最优的问题，提出两个基于搜索空间切换的改进框架；主要对象是贝叶斯网络结构学习，而非状态空间模型或 BCI 解码。 机制方面，作者从 GES 的算子和搜索策略入手分析局部最优的成因，并提出将搜索转换到另一空间，以缓解仅在等价类空间内进行局部搜索的限制。摘要未说明切换所涉及的具体空间、触发条件、算子映射、评分函数或计算复杂度，因此尚不能判断其实现方式与理论保证。贝叶斯网络等价类也不应直接理解为唯一、已识别的因果结构，其因果解释仍需核对相应假设。 作者报告，在不同基准上与先进方法比较的广泛实验支持所提框架的有效性、可扩展性和稳定性，并增强了 GES 的表现。但摘要未提供基准名称、样本规模、对照方法、指标、数值或显著性检验细节；实验协议、消融及统计信息尚未验证。复现需取得全文，核对空间切换规则、评分准则、停止条件、计算预算及实现可用性。 平台推测（待验证）：若研究任务是从 EEG 特征中学习依赖结构，搜索空间切换可能用于缓解贪心结构搜索的局部最优，而不是直接改善信号解码。可复用部分是搜索框架，需改造部分包括适配时间依赖、观测噪声及跨被试差异的变量定义与评分方式；其对监督信息、数据结构和样本规模的要求尚待全文确认。低信噪比、通道混合和小样本可能使结构评分不稳定，即使搜索更充分也未必得到更可靠的结构。可先在具有已知生成图的模拟 EEG 特征数据上，以相同评分函数和计算预算比较原始 GES 与切换框架，检验结构恢复是否改善及其对噪声的敏感性。已有 EEG 相关工作尚未检索确认。