为什么基于贝叶斯优化的自动调参没有大范围使用？

看了很多答案，有一个不一致的点，贝叶斯优化，是专指surrogate model为gaussian process，还是说只要运用贝叶斯定理，求解出有关p(f|x)就叫贝叶斯优化，如果是前者，确实，gaussian process可以理论上给出解析形式的p(f|x)，与之而来的代价，正如同其他回答所说的，在computation overhead随实验次数呈二次方以上增长(目前已经有了各种estimate gassian的方案，算力消耗可以做到次二次方的量级)，而如果surrogate model选取gbrt或者tpe呢，虽说没有解析形式的p(f|x)，但是相应地，算力消耗呈线性，(acquisition function的优化可以选取mcmc)。

我觉得，贝叶斯优化并不是专指代理模型使用gp，而是利用贝叶斯定理，通过各种方式得到p(f|x)就可以称之为贝叶斯优化。

同时关于exploration和exploitation之间的平衡，在贝叶斯优化所代表的一类算法里，由acquisition function控制，在理论上，只要没有穷尽y=f(x)的每一个点(别杠)，都有可能陷入局部最优，所以脱离具体的f(x)讨论局部最优的问题是没有意义的，而acquisition function，根据tradeoff estimated mean和estimated variance，来表达倾向于探索更加不确定的区域，还是更加确定的区域，与之相应的有pi，ei，ucb等等acquisition function，分别相应于更加倾向于利用，还是探索，同时各个acquisition function又有自身的hyper parameter，可以根据具体问题来做相应调节(这是很多超参优化算法的通病，会引入新的超参数)。

在很多领域，基于贝叶斯优化的自动调参，已经得到了大范围使用，Google就有好几个例子，待我找出来，发出来