以简单遗憾界指导期望改进算法设计

基于摘要分析。该研究针对连续仿真优化中未知异方差噪声下的 Expected Improvement（EI，期望改进）算法设计，以简单遗憾的高概率上界统一指导三个关键选择：定义改进量的当前基准、各采样点的重复仿真次数，以及最终推荐点。主要贡献是将这些通常分别依赖启发式规则的选择，转化为一般规则族内的上界优化问题。 技术基础是 stochastic kriging（SK，随机克里金）代理预测器在噪声水平未知、需从数据估计时的有限样本置信界。作者随后分析当前基准与最终推荐的后验分位数规则族：对当前基准，收紧遗憾上界导出下侧分位数选择，其系数与 SK 预测器置信界中的系数一致；对最终推荐，则导出选择上侧后验分位数最优的已采样点。作者将这种方向差异解释为搜索与实施的不同角色：探索阶段使用乐观基准，实际实施的最终推荐则对残余后验不确定性相对保守。 作者报告，在常见核满足的温和条件下，最小化一个可处理的核相关上界，可导出 Θ(log T) 的重复仿真次数；摘要未明确 T 的定义及具体分配细节，需核对全文。作者称，据其所知，这是首个通过重复仿真学习未知异方差、并为连续域 EI 类仿真优化方法提供简单遗憾保证的工作，该优先性声明尚未独立验证。 摘要未提供具体核条件、完整算法、实验数据或性能数值，实验协议、消融及统计信息尚未验证。研究对象是带噪连续仿真优化，并非 EEG 解码或 BCI 算法；现有材料不支持推断其在 BCI 中的实际收益。