arXiv · cs.AI· Samuel Daulton, David Eriksson, Maximilian Balandat, Eytan Bakshy·· 1 天前
BONSAI：兼顾简洁性与可解释性的默认感知贝叶斯优化
BONSAI: Bayesian Optimization with Natural Simplicity and Interpretability
arXiv:2602.07144v3阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Samuel Daulton, David Eriksson, Maximilian Balandat, Eytan Bakshy
期刊信息（来源提供）：NeurIPS 2026
研究任务与主要进展
研究者提出默认感知的贝叶斯优化策略BONSAI，在显式控制采集价值损失的同时筛除低影响的默认配置偏离。作者基于论文摘要报告，适当条件下BONSAI保留GP-UCB的无遗憾性质；在多项实际应用中，它减少了推荐配置中的非默认参数，同时保持有竞争力的优化性能和较少墙钟时间影响，候选生成成本平均为标准BO的1.5倍，而既有稀疏BO方法为7—34倍。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org