贝叶斯优化
一种超参数调优方法，基于概率代理模型对历史实验结果建模，智能平衡探索与利用，以少量实验次数找到接近最优的参数配置
核心事实
时间轴 (近 90 天)
在维度高达6000+的组合空间，传统BO因计算瓶颈无法运行，而新方法却能高效搜索。
实验表明，在相同评估预算下，新方法的性能与最先进的BO相当，但速度快了100到1000倍。
传统观点认为贝叶斯优化仅适用于昂贵函数，算法速度无关紧要，但问题成本实际上是连续谱，从廉价到昂贵。
一篇新论文提出通过线性结构重构贝叶斯优化，使其速度提升高达三个数量级，同时保持与顶尖方法相当的优化性能。
新方法适用于连续和组合输入，维度范围从约10到6000+。
在速度-性能帕累托前沿上，现有贝叶斯优化方法因计算开销大而远离高速端，而CMA-ES等进化策略虽快但样本效率较低，导致前沿中间区域出现空白。
超参数调优常见策略包括网格搜索、随机搜索和贝叶斯优化，后者通过历史评估结果建模来指导下一次采样，通常用更少试验次数取得更好结果。
AI（尤其是强化学习和贝叶斯优化）已被用于自动搜索最优脉冲形状和时序，以最大化量子门保真度，并能在硬件特性随时间漂移时持续在线调整。
该研究提出的探索策略是：在任意贝叶斯优化流程中，偶尔将采集查询替换为探索查询。
贝叶斯优化在实际部署中通常只关心算法最终返回的那一个推荐点的质量，而非整个优化过程的中间表现。
还有 11 条时间轴事件
全部知识事实 (20)
强化学习通过智能体与环境的持续交互来学习最优策略，其数学基础是马尔可夫决策过程（MDP），由状态空间、动作空间、转移函数、奖励函数和折扣因子构成
80%待验证在维度高达6000+的组合空间，传统BO因计算瓶颈无法运行，而新方法却能高效搜索。
50%待验证一篇新论文提出通过线性结构重构贝叶斯优化，使其速度提升高达三个数量级，同时保持与顶尖方法相当的优化性能。
50%待验证传统观点认为贝叶斯优化仅适用于昂贵函数，算法速度无关紧要，但问题成本实际上是连续谱，从廉价到昂贵。
50%待验证在速度-性能帕累托前沿上，现有贝叶斯优化方法因计算开销大而远离高速端，而CMA-ES等进化策略虽快但样本效率较低，导致前沿中间区域出现空白。
50%待验证新方法适用于连续和组合输入，维度范围从约10到6000+。
50%待验证实验表明，在相同评估预算下，新方法的性能与最先进的BO相当，但速度快了100到1000倍。
50%待验证超参数调优常见策略包括网格搜索、随机搜索和贝叶斯优化，后者通过历史评估结果建模来指导下一次采样，通常用更少试验次数取得更好结果。
50%待验证AI（尤其是强化学习和贝叶斯优化）已被用于自动搜索最优脉冲形状和时序，以最大化量子门保真度，并能在硬件特性随时间漂移时持续在线调整。
50%待验证该研究提出的探索策略是：在任意贝叶斯优化流程中，偶尔将采集查询替换为探索查询。
50%待验证贝叶斯优化在实际部署中通常只关心算法最终返回的那一个推荐点的质量，而非整个优化过程的中间表现。
50%待验证该研究提出，现有贝叶斯优化的累积遗憾保证并不必然刻画算法最终输出的质量。
50%待验证该探索查询替换方案不改变原有算法的主体结构，可以无缝集成到现有贝叶斯优化框架中。
50%待验证在合成基准测试、超参数优化任务和一个控制任务上，引入探索策略后，现有贝叶斯优化算法的最终推荐质量均获得了提升。
50%待验证期望改进(EI)是贝叶斯优化中的经典采集函数，计算在候选点采样后相对于incumbent可能取得改进量的期望，通常有解析表达式。
50%待验证贝叶斯优化的计算复杂度通常随参数维度呈指数增长，传统上只适用于低维问题（一般几十维以内）。
50%待验证AI智能体不试图穷举所有组合，而是通过启发式搜索、机器学习预测模型或贝叶斯优化等策略，在庞大空间中快速定位高潜力区域，将不可管理的搜索空间压缩到可实验验证的规模。
50%待验证标准高斯过程贝叶斯优化不适用于时空点过程问题，因为其观测噪声近似平稳、独立的假设与双重随机Cox过程的数据生成机制不符。
50%待验证在反应优化任务中，RSI-Anything 在 40 次实验预算下取得 96.15% 的平均最佳观测产率，优于贝叶斯优化的 82.16%
50%待验证贝叶斯优化是一种针对昂贵黑盒函数的序贯实验设计方法，通常使用高斯过程作为概率代理模型，长期被视为实验设计领域的强基线
50%