Key points are not available for this paper at this time.
تم تطبيق تحسين بايزي بنجاح لتحسين وظائف الصندوق الأسود حيث تكون عدد التقييمات محدودة بشدة. ومع ذلك، في العديد من التطبيقات الواقعية، من الصعب أو المستحيل معرفة مسبقاً أي التصميمات قابلة للتطبيق بسبب بعض القيود الفيزيائية أو النظامية. تؤدي هذه القضايا إلى مشكلة أكثر تحدياً تتمثل في تحسين وظيفة غير معروفة مع قيود غير معروفة. في هذه الورقة، نلاحظ أنه في مثل هذه السيناريوهات، يكون الحل الأمثل عادةً على الحد الفاصل بين المناطق القابلة للتطبيق وغير القابلة للتطبيق في مساحة التصميم، مما يجعل الأمر أكثر صعوبة من تلك الحلول الداخلية. مستلهمين من هذه الملاحظة، نقترح BE-CBO، وهي طريقة جديدة لتحسين بايزي تستكشف بفعالية الحد الفاصل بين التصميمات القابلة وغير القابلة للتطبيق. لتحديد الحدود، نتعلم القيود من خلال مجموعة من الشبكات العصبية التي تتفوق على عمليات الجاوس القياسية في التقاط الحدود المعقدة. تظهر طريقتنا أداءً متفوقًا مقارنةً بأساليب الحالة الرائدة من خلال تجارب شاملة على معايير صناعية وعالمية.
درس تيان وآخرون (مون،) هذا السؤال.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: