Frugal Bayesian Optimization: Scalable Surrogates for Data- and Resource-Limited Discovery
arXiv 论文《Frugal Bayesian Optimization: Scalable Surrogates for Data- and Resource-Limited Discovery》于 2026-07-31 发布，对贝叶斯优化（BO）进行系统性、计算感知的研究，在八个基准函数和九个真实世界数据集（涵盖材料科学、力学、机器人学、化学和机器学习）上评估四种代理模型：高斯过程、随机森林、NGBoost 和贝叶斯自适应样条曲面。研究发现基于高斯过程的 BO 时间与内存开销最高，但未带来更优的优化或样本效率；可扩展替代方案以更低计算成本达到同等或更优性能。论文提出 FruBO 代理推荐框架，根据廉价数据集特征预测最合适的 BO 代理，并建立可复现的计算感知基线。
Development
- First ReportFrugal Bayesian Optimization: Scalable Surrogates for Data- and Resource-Limited DiscoveryarXiv cs.LG
- Current Assessment该研究可能推动 BO 工具链中代理模型的默认选择从高斯过程转向更可扩展的替代方案，降低科学和工程优化任务的计算成本。FruBO 框架可能成为 BO 库中的标准组件，影响依赖 BO 的行业（如材料设计、机器人控制）的资源分配。Agent Pulse · analysis
arXiv 论文《Frugal Bayesian Optimization: Scalable Surrogates for Data- and Resource-Limited Discovery》于 2026-07-31 发布，对贝叶斯优化（BO）进行系统性、计算感知的研究，在八个基准函数和九个真实世界数据集（涵盖材料科学、力学、机器人学、化学和机器学习）上评估四种代理模型：高斯过程、随机森林、NGBoost 和贝叶斯自适应样条曲面。研究发现基于高斯过程的 BO 时间与内存开销最高，但未带来更优的优化或样本效率；可扩展替代方案以更低计算成本达到同等或更优性能。论文提出 FruBO 代理推荐框架，根据廉价数据集特征预测最合适的 BO 代理，并建立可复现的计算感知基线。
该研究将计算开销纳入 BO 评估，揭示高斯过程代理在时间与内存上开销最高，但优化质量或样本效率并未更优。可扩展替代方案（如随机森林、NGBoost、贝叶斯自适应样条曲面）在更低成本下达到同等或更优性能。FruBO 框架通过廉价数据集特征预测合适代理，可能改变 BO 实践中的代理选择标准。
该研究可能推动 BO 工具链中代理模型的默认选择从高斯过程转向更可扩展的替代方案，降低科学和工程优化任务的计算成本。FruBO 框架可能成为 BO 库中的标准组件，影响依赖 BO 的行业（如材料设计、机器人控制）的资源分配。
该研究可能降低 BO 应用的计算成本，提升资源受限场景下的优化效率，对依赖 BO 的行业（如材料科学、机器人学）具有成本效益价值。FruBO 框架可能成为商业 BO 产品的差异化功能。
后续可验证信号包括：FruBO 框架是否被主流 BO 库（如 BoTorch、Optuna）集成，以及是否有更多研究在计算受限场景下采用非高斯过程代理。