ISBO
一种面向时空点过程数据的大规模贝叶斯优化框架，将 Log-Gaussian Cox Process 建模与 INLA-SPDE 稀疏推断结合，使用随时间变化的 UCB 采集函数进行序贯优化
时间轴 (近 90 天)
ISBO（INLA-SPDE Spatio-Temporal Bayesian Optimization）是一个面向时空点过程数据的可扩展贝叶斯优化框架，将Log-Gaussian Cox Process（LGCP）与INLA-SPDE推断方法结合。
ISBO采用INLA-SPDE方法，在网格上使用Matérn场，将稠密高斯过程近似为稀疏高斯马尔可夫随机场（GMRF），从而支持快速后验推断。
ISBO使用随时间变化的上置信界（UCB）采集函数，并加入masking机制避免反复访问已探索区域。
ISBO引入惩罚复杂度的先验，用于正则化优化早期轮次，抑制早期样本稀少时潜在强度场后验的过度自信或剧烈抖动。
论文在合成和真实世界时空数据集上的实验显示，ISBO能稳定定位高强度区域及潜在强度峰值，同时用较少的评估次数完成优化。
相较于基于RKHS（Reproducing Kernel Hilbert Space）的基线方法，ISBO取得了显著的加速。
ISBO声称是首个可扩展的时空贝叶斯优化框架。
ISBO适用于流行病传播、犯罪热点、交通事件、生态观测等以事件点形式出现的时空数据场景。
全部知识事实 (8)
ISBO适用于流行病传播、犯罪热点、交通事件、生态观测等以事件点形式出现的时空数据场景。
50%待验证ISBO采用INLA-SPDE方法，在网格上使用Matérn场，将稠密高斯过程近似为稀疏高斯马尔可夫随机场（GMRF），从而支持快速后验推断。
50%待验证ISBO使用随时间变化的上置信界（UCB）采集函数，并加入masking机制避免反复访问已探索区域。
50%待验证ISBO引入惩罚复杂度的先验，用于正则化优化早期轮次，抑制早期样本稀少时潜在强度场后验的过度自信或剧烈抖动。
50%待验证论文在合成和真实世界时空数据集上的实验显示，ISBO能稳定定位高强度区域及潜在强度峰值，同时用较少的评估次数完成优化。
50%待验证相较于基于RKHS（Reproducing Kernel Hilbert Space）的基线方法，ISBO取得了显著的加速。
50%待验证ISBO声称是首个可扩展的时空贝叶斯优化框架。
50%待验证ISBO（INLA-SPDE Spatio-Temporal Bayesian Optimization）是一个面向时空点过程数据的可扩展贝叶斯优化框架，将Log-Gaussian Cox Process（LGCP）与INLA-SPDE推断方法结合。
50%