SCORE: A 1D Reparameterization Technique to Break Bayesian Optimization's Curse of Dimensionality

贝叶斯优化（BO）已经成为了在科学和工程领域中导航复杂搜索空间的强大工具，然而，由于它通常依赖于一个代理模型来近似目标函数，BO面临着增加的计算成本，随着参数和实验数量的增加，这些成本往往会增加。虽然已经提出了一些方法，如并行化、代理模型逼近和内存剪枝等，来缩短计算时间，但它们都无法解决BO维度灾难背后的核心问题。本文提出了一种一维重新参数化技巧，以打破这个诅咒，并在高维景观中维持线性时间复杂度。这种快速和可扩展的方法被命名为SCORE，它可以成功地找到针在大堆干草中的最小化函数的全局最小值，并适合实际数据，而无需通常需要最先进技术所需的高性能计算资源。

解决高维空间中贝叶斯优化的计算复杂度问题。

通过一维重参数化技巧来打破维度诅咒，使得贝叶斯优化在高维空间中保持线性时间复杂度。

提出的方法名为SCORE，可以在高维空间中找到全局最小值，适用于实际数据拟合，且无需高性能计算资源。

相关研究包括并行化、替代模型逼近和内存修剪等方法来降低计算成本。