贝叶斯优化

Parent: ai_keywords

贝叶斯优化

核心定义

贝叶斯优化（Bayesian Optimization）是一种基于贝叶斯统计框架的全局优化算法，专为黑箱函数（无解析表达式、评估代价昂贵、导数不可用）的极值问题设计。它通过构建目标函数的概率代理模型（通常为高斯过程）并利用采集函数指导下一采样点，以最小化总评估次数，适用于超参数调优、实验设计、药物剂量搜索等场景。

关键技术点

1. 概率代理模型
   通常采用高斯过程回归（GPR），它利用先验分布和观测数据更新后验分布，给出任意点的预测均值与不确定性（方差），为优化提供概率化描述。

2. 采集函数
   基于后验分布设计，用于权衡“探索”（高不确定性区域）与“利用”（高期望区域）。常见函数包括：EI（期望改进）、UCB（置信上界）、PI（改进概率）。采集函数的极大值点即为下一评估点。

3. 贝叶斯更新与后验迭代
   每次新评估后，将观测数据加入历史集，更新高斯过程的后验分布，使得代理模型逐步逼近真实函数，实现数据高效的学习过程。

4. 正则化与协方差函数
   通过选择适当的核函数（如RBF、Matern）捕捉函数平滑性与不同尺度特征，同时可嵌入先验知识（如单调性、周期性），增强优化鲁棒性。

医学/神经科学应用场景（首都医科大学视角）

以脑卒中后运动功能康复中的经颅磁刺激（TMS）参数优化为例。TMS治疗常需确定最优的刺激频率、强度、脉冲模式（如间歇性θ爆发刺激），但个体差异极大且每次评估需结合fMRI或认知评分，成本高昂。首都医科大学宣武医院神经康复中心可利用贝叶斯优化：

• 将TMS参数组合（频率、强度、总脉冲数）视为输入，运动诱发电位（MEP）幅值改善率或上肢Fugl-Meyer评分提升作为输出（黑箱函数）。
• 每次仅对1-2个患者进行有限次参数探索，通过高斯过程建模响应曲面，采集函数自动推荐下一最有潜力的参数组合。
• 经10-20次迭代即可逼近患者特异性最优参数，相比网格搜索节省80%以上评估次数，同时规避对非最优参数的临床风险。

该范式也可迁移至癫痫病灶定位中的电极刺激参数寻优、帕金森深部脑刺激（DBS）电压/频率调优等神经电生理场景，实现个体化、低成本的精准神经调控。