模型BO-pro-c-tr算法

BO-pro-c-tr

一种用于大规模贝叶斯优化的算法，结合了不确定性校准的专家乘积高斯过程（GP-pro-c）与一对多信赖域关联策略。该算法旨在解决传统独立局部GP模型边界不连续和计算效率低下的问题。

时间轴 (近 90 天)

11月3日

论文提出了一种名为 BO-pro-c-tr 的算法，使用带不确定性校准的专家乘积高斯过程（GP-pro-c）来重构大规模贝叶斯优化的范式。

待验证50%

11月3日

在与 GP-LCB 采集函数结合时，BO-pro-c-tr 相对基于独立局部 GP 与信赖域的方法，平均简单遗憾降低 2.6%，计算开销降低 34.9%。

待验证50%

11月3日

论文未披露不同问题规模或维度下性能收益的分布情况。

待验证50%

论文提出了一种名为 BO-pro-c-tr 的算法，使用带不确定性校准的专家乘积高斯过程（GP-pro-c）来重构大规模贝叶斯优化的范式。

在与 GP-LCB 采集函数结合时，BO-pro-c-tr 相对基于独立局部 GP 与信赖域的方法，平均简单遗憾降低 2.6%，计算开销降低 34.9%。

论文未披露不同问题规模或维度下性能收益的分布情况。