核化归一化常数估计：连接贝叶斯求积和贝叶斯优化
内容提要
该文综述了高斯过程与核方法在贝叶斯优化和数值积分中的多项研究，包括：重尾噪声下的核UCB与贝叶斯优化算法；基于本地多项式的多尺度UCB；利用导数信息改进的梯度增强高斯过程；分布鲁棒贝叶斯积分优化及后验抽样算法；核数值积分的收敛性与最优实验设计；Bochner积分估计的收敛率分析；基于自适应序贯蒙特卡罗的采样分布优化；以及受限函数仿射变换下贝叶斯四重积分框架的改进。
延伸解读
从重尾噪声到多尺度搜索：鲁棒优化的两条路径
文章梳理了贝叶斯优化应对噪声与复杂函数的两类思路：一是针对重尾噪声，提出基于核函数的UCB和贝叶斯优化算法，弥补现有算法在重尾噪声下表现较差的问题；二是通过在高斯过程代理模型中增加本地多项式估计，构建多尺度UCB，在给定预算下获得累积失望次数的理论界限。两者分别从噪声建模和搜索策略入手，共同提升黑盒优化的稳健性。
导数信息与分布鲁棒性：扩展贝叶斯积分边界
在贝叶斯积分方面，文章介绍了利用导数信息改进梯度增强高斯过程的工作，通过采样推断融合超参数不确定性，并克服此前方法的奇异性问题，在优化和积分中带来显著性能提升。另一项研究则从分布鲁棒视角处理积分优化中的分布不确定性，提出基于后验抽样的DRBQO算法，以最大化最对抗分布下的预期目标，并用贝叶斯遗憾度量收敛性。
核积分的收敛保证：超越光滑性假设
文章强调核数值积分在理论上的稳健性：一种方法证明其有效性不受核空间假设影响，只要函数光滑度可用RKHS或Sobolev空间的幂次表示，甚至在光滑度假设不成立时仍具收敛性。针对Bochner积分估计，研究进一步发现，对一类离散分布和无穷可微分布，n^{-1/2}的收敛率分别是最小的，且独立于核的平滑性和密度（若存在），这对非参数检验、密度估计和特征选择具有实际意义。
实验设计与采样优化：提升积分效率的实践线索
文章还涉及最优实验设计与采样分布优化。针对RKHS中线性泛函估计，有研究提供偏差感知设计算法，并推导次高斯噪声下固定和自适应设计的非渐进置信集，使高概率有界误差估计成为可能。另一项工作通过自适应调节和序贯蒙特卡罗确定最优采样分布，以提高核数值积分的收敛速度和准确性，并报告了4个量级的误差减小。这些方法为实际积分任务中的样本分配提供了可操作思路。
Q&A
重尾噪声下贝叶斯优化效果差，有什么改进算法？
文章提出了一种基于核函数的UCB算法和基于核函数近似的贝叶斯优化算法，专门用于处理重尾噪声，并在人造和真实数据集上验证了性能。
如何利用导数信息提升高斯过程优化和积分的性能？
通过在通用高斯过程代理模型中融入未知函数的导数信息，并采用采样推断融合超参数不确定性，同时克服梯度增强高斯过程的奇异问题，从而在贝叶斯优化和数值积分中显著提升性能。
贝叶斯积分中分布不确定性怎么处理？
从分布鲁棒优化视角出发，提出基于后验抽样的算法（DRBQO），最大化最对抗分布下的预期目标，并用贝叶斯遗憾度量理论收敛性，在合成和真实问题上验证了有效性。
核数值积分方法的收敛性需要很强的光滑性假设吗？
不需要。文章证明只要函数光滑度能用RKHS或Sobolev空间的幂次表示，即使光滑度假设不成立，基于核的数值积分方法仍具有收敛性。
Bochner积分估计的收敛率能达到多少？
对于一类离散分布和一类无穷可微分布，n^{-1/2}的收敛率分别是最小的，且独立于核的平滑性和密度（如果存在）。
如何通过自适应采样提高核数值积分的精度？
采用自适应调节和序贯蒙特卡罗方法确定最优采样分布，从而提高基于核函数的数值积分的收敛速度和准确性，实验中误差减小了4个量级。
