用于潜空间贝叶斯优化的上下文学习

基于摘要分析。本文研究潜空间贝叶斯优化（LSBO）中，表格基础模型的预训练任务分布与潜变量到目标值的映射不匹配的问题，提出使用分子 VAE 潜空间上的合成优化任务继续预训练代理模型，并通过锚定原检查点的正则化限制过度专门化。主要研究对象是分子等结构化对象的优化，而非 EEG 解码或 BCI。 核心机制：TabPFN、TabICL 等上下文学习模型的预测先验受合成预训练任务分布影响；LSBO 所产生的回归映射可能与这些任务存在明显差异。作者据此补充面向分子 VAE 潜空间的合成任务，并在继续预训练目标中加入正则化，旨在保留原模型的广泛回归先验，同时适配 LSBO。摘要未明确实际采用的代理模型、潜空间任务生成方式、正则项形式与权重，以及 VAE 的训练配置。 结果与证据：作者报告，适配后的模型在留出的分子优化基准上取得较强表现，支持面向 LSBO 的专门适配对上下文学习代理模型具有价值。但摘要未提供基准名称、目标函数、优化预算、对照方法、具体指标或数值，无法据此判断提升幅度、样本效率或统计稳定性；也不能将分子优化结果扩展为蛋白质优化的验证结论。 复现与局限：需核对合成适配任务与留出基准的划分关系、继续预训练成本，以及任务适配和检查点锚定各自的贡献。通用回归能力是否实际得到保留，也需结合相应评估确认。实验协议、消融及统计信息尚未验证；摘要未提供 EEG/BCI 的具体机制对应或实验依据，不据此生成迁移效果结论。