DOVE：面向偏好学习的全序列高斯过程回归方法

针对目标函数无法直接评估、只能通过带噪两两比较观测的连续全局优化问题，研究者提出基于矩匹配的全序列近似方法，实现高斯过程回归元模型均值与协方差的快速闭式更新。在此基础上提出全序列采样策略 DOVE，结合信息增益准则与随机采样以控制误差累积。在标准正则条件下，该工作证明了统计误差与期望简单遗憾的收敛速率，且速率依赖核函数光滑度，据称是全序列近似贝叶斯推理在连续全局优化中的首个此类收敛结果。