BoTorch项目中FixedFeatureAcquisitionFunction维度处理问题分析

问题背景

在BoTorch项目的多保真度优化场景中，当使用FixedFeatureAcquisitionFunction处理固定特征时，发现了一个关键的维度计算错误。这个问题影响了包括qMultiFidelityKnowledgeGradient在内的多个知识梯度类获取函数。

问题本质

在optimize_objective函数中，当处理固定特征时，计算自由特征维度的逻辑存在错误。具体表现为：

1. 输入边界张量bounds的形状应为(2, d)，其中d是特征维度数
2. 当前代码使用len(bounds)获取维度数，这会返回2（因为bounds是二维张量）
3. 正确做法应该是使用bounds.shape[-1]来获取特征维度数d

这个错误导致后续的维度计算完全错误，最终在FixedFeatureAcquisitionFunction的_construct_X_full方法中抛出维度不匹配的异常。

影响范围

该问题影响所有使用optimize_objective函数的获取函数，包括：

1. qKnowledgeGradient
2. qHypervolumeKnowledgeGradient
3. qMultiFidelityKnowledgeGradient
4. qMultiFidelityHypervolumeKnowledgeGradient

技术细节分析

在多保真度优化场景中，通常会有一个或多个维度被指定为"保真度"维度。当使用target_fidelities参数指定目标保真度时，这些维度会被固定，从而触发FixedFeatureAcquisitionFunction的使用。

错误的核心在于维度计算方式。在Python中，对二维张量使用len()函数会返回第一维的大小，而不是特征维度数。例如，对于形状为(2,9)的边界张量：

• len(bounds)返回2
• bounds.shape[-1]返回9（正确的特征维度数）

当有固定特征时，代码试图从[0,1]中减去固定特征的键，而不是从完整的特征索引范围[0,...,d-1]中减去，这显然会导致维度计算错误。

解决方案

正确的实现应该使用张量的shape属性来获取特征维度数。修复后的代码应该如下：

free_feature_dims = list(range(bounds.shape[-1]) - fixed_features.keys()

这样就能正确计算出剩余的自由特征维度。

实际应用中的表现

在实际应用中，这个问题表现为当尝试使用多保真度知识梯度获取函数时，系统会抛出ValueError，提示输入的特征维度与预期不符。例如，在一个有8个位置维度和1个保真度维度的场景中，错误信息会显示：

Feature dimension d' (2) of input must be d - d_f (8).

这表明系统错误地认为输入只有2个维度，而实际上应该有8个自由维度（总维度9减去1个固定保真度维度）。

总结

这个bug虽然看似简单，但影响范围较广，特别是在多保真度优化场景中。它提醒我们在处理张量维度时需要特别注意：

1. 明确区分张量的不同维度含义
2. 使用shape属性而非len()函数获取特征维度数
3. 在涉及固定特征的场景中，确保维度计算逻辑正确

该问题已在最新版本的BoTorch中得到修复，用户在使用多保真度优化功能时可以正常工作了。