通过领域仿射变换在合成和现实基准上进行代理模型的迁移学习

本研究解决了构建高质量代理模型时数据获取需求高的问题，提出了一种基于未知仿射变换将预训练的非可微代理模型（如随机森林）迁移到新任务的方法。研究表明，该方法在人工问题集BBOB及四个实际迁移学习问题上表现出显著的实用优势，尤其在减少数据需求和训练复杂现实场景的计算成本方面。