具有理论保证的连续搜索空间主动水平集估计

基于摘要分析。该研究面向评估代价高昂的黑盒函数，目标是用尽可能少的函数评估，确定函数值高于或低于给定阈值的区域，而非仅寻找最优点。作者提出直接在连续搜索空间中运行、无需预先离散化的主动水平集估计算法，并提供收敛至准确解的理论分析。 核心机制是构造采集函数，以函数值位于阈值上方或下方的置信程度为依据选择下一次评估的位置。相较于先将连续空间离散化再求解的方法，该设计旨在避免离散化带来的估计与计算负担。摘要未提供置信度的具体定义、函数建模方式、采集函数优化过程，以及收敛保证依赖的正则性、噪声或采样假设，均需核对全文。 作者报告，在多个合成和真实世界数据集上，该算法优于所比较的先进方法；但摘要未列出数据集名称、评价指标、评估预算、基线及具体结果，无法据此判断优势大小或适用维度。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 BCI 系统调参的目标是识别达到既定性能阈值的连续参数区域，而非只找单个最优配置，该采样机制可能具有参考价值。其迁移依赖于参数可连续表示、可重复获得性能评估，以及置信估计能适应评估噪声；可复用的是阈值导向采样思路，需改造的是适配 EEG 评估噪声及跨会话变化的函数建模与停止条件。低信噪比、小数据和被试差异可能使置信区域失准。一个可检验的小实验是在固定被试与数据划分下，对少量连续预处理参数搜索达标区域，在相同评估预算下与离散网格及随机采样比较区域判定误差，再用独立会话检验稳定性。原领域结果不构成 BCI 有效性证据，已有 EEG 相关工作尚未检索确认。