HASOD: A Hybrid Adaptive Screening-Optimization Design for High-Dimensional Industrial Experiments
HASOD 框架實現 97.08% 偵測率，免除工業實驗打掉重練的成本浪費。
- HASOD平均需41.5次實驗，即可同步完成篩選與最佳化。
- 結合正則化迴歸與增強統計量，準確分離出活躍因子與交互作用。
- 基準測試達 97.08% 偵測率，徹底擊敗傳統方法並大幅壓低預測誤差。
工業實驗設計長期面臨一個關鍵抉擇：是要先找出影響良率的關鍵變數，還是直接最佳化生產條件？傳統做法需要分兩階段打掉重練，耗時且成本高昂。近期一份 arXiv 論文提出 HASOD（混合自適應篩選與最佳化設計） 框架，在 540 次獨立實驗中達到 97.08% 的因子偵測準確率，比傳統循序方法大幅提升 13.75 個百分點。這套新框架平均僅需 41.5 次實驗運行，就能同時無縫完成變數篩選與最佳化。
突破工業 DOE 瓶頸：統一自適應的 HASOD 框架
在現代工業製造中，DOE（實驗設計） 扮演著製程改進與產品開發的核心角色。當面對高維度、多變數的複雜生產環境時，工程師必須在兩大目標間拉扯：一是透過古典篩選設計（如 Plackett-Burman）找出少數關鍵因子，二是利用 RSM（反應曲面法，用於建立模型並尋找最佳條件） 對已知變數進行全局最佳化。
過去的標準流程仰賴循序漸進的實驗，這帶來了嚴重的資源損耗。一旦完成變數篩選，研究團隊往往必須重新分配資源、更改設備配置，甚至展開全新的實驗計畫才能進入最佳化階段。此外，其他現代空間填充設計（Space-filling）如拉丁超立方抽樣（LHS）雖然能均勻探索實驗空間，卻完全不具備辨識因子重要性的能力。
為了解決這個存在數十年的僵局，研究團隊開發出 HASOD 三階段框架。該系統接受變數數量 $k$ 與預期雜訊水準作為輸入，能自主分配每一次實驗運行的目標，讓系統在單一框架內保有強大的因子篩選能力，同時不犧牲後期的預測與最佳化精準度。
導入正則化迴歸：強化 CWESS 篩選統計量
進入 HASOD 框架的第一階段，系統採用修改版的明確篩選設計（M-DSD），為 $k$ 個因子安排 $2k+3$ 次基準實驗。這項設計特別調整了變數設定的機率分布，增加極端區域的覆蓋率以維持正交特性。
傳統如 Lenth 方法的篩選指標通常只看主效應，但 HASOD 引入了強化的 CWESS（累積加權效應篩選統計量）。運算過程中直接導入 ElasticNet（一種結合 L1 與 L2 正則化的迴歸模型），讓系統在初期就能同步捕捉主效應與雙因子交互作用。每一項交互作用都會根據特定權重進行評分，提供超越傳統演算法的判斷依據。
研究論文也在理論層面為此背書。數學證明顯示，CWESS 統計量具備漸近分離特性，確保活躍的關鍵因子會呈現 $O(\sqrt{n})$ 的顯著增長，而無效因子則受到嚴格的 $O(1)$ 邊界限制。這項特性賦予了 HASOD 高度的分類一致性保證。
自適應擴充設計：依據關鍵因子動態切換策略
完成第一階段的變數篩選後，HASOD 進入第二階段的策略分岔點。系統不會盲目套用單一擴充設計，而是根據找出的關鍵因子數量（$k_c$）與顯著交互作用數量（$n_{int}$），動態從四種不同路徑中挑選最佳解。
當系統發現存在交互作用，且關鍵因子不多於五個時，會啟動最高規格的全因子設計（Full Factorial）。若關鍵因子超過五個，為了避免組合爆炸，系統會自動降級為解析度 V 的部分因子設計（Fractional Factorial），在維持精度的同時控制實驗成本。
如果初期完全沒有偵測到交互作用，且關鍵變數極少，HASOD 會直接加入星狀點（Star Points）進入 RSM 建模狀態。這種動態資源配置機制，搭配後續更新的 Ridge 迴歸模型，確保每一次額外測試都能精確打在資料結構最脆弱的痛點上。
整合高斯過程模型：以不確定性引導全局最佳化
在確立了關鍵變數與初步模型後，HASOD 的第三階段專注於定位最佳的操作條件。框架捨棄了傳統的多項式逼近，轉而建構 GP（高斯過程，一種機率型機器學習模型）。該模型採用 Matérn 核函數，並透過隨機重啟的邊際概似度最大化來尋找最佳超參數。
尋找全局最佳解的任務交由差分進化演算法（Differential evolution）負責。為確保最終預測足夠可靠，HASOD 會在預測出的最佳操作點附近，額外生成六次微調實驗運行。
這些微調測試並非隨機挑選，而是基於不確定性引導策略（Uncertainty-guided sampling）。系統專門尋找 GP 後驗變異數最大的位置進行採樣，在模型最缺乏把握的盲區注入新數據。這個過程確保了嚴格的變異數縮減，極大化了最後階段的資訊增益。
540次基準測試：97.08% 準確率擊敗傳統方法
為驗證這套三階段架構的實用性，研究人員設計了六種已知真實響應函數的測試場景，涵蓋稀疏、密集以及重度交互作用等工業常態。在橫跨九種方法、高達 540 次獨立實驗的基準對決中，HASOD 的數據表現極具統治力。
在因子偵測準確率上，HASOD 達到驚人的 97.08%，將傳統循序方法（83.33%）、增強型 DSD（82.22%）與標準 DSD（73.61%）遠遠拋在腦後。即使在最棘手的重度交互作用場景中，HASOD 依然守住 90.0% 的高偵測率，遠勝傳統方法的 66.7%。這代表企業在每次實驗中，平均能比過去多揪出 1 到 2 個潛在的關鍵變數。
同時，在模型預測誤差的表現上，HASOD 的平均誤差僅有 3.61，遠低於純粹貝氏最佳化（Bayesian Optimization）的 20.13。儘管 HASOD 平均增加了約 43% 的實驗次數（達到 41.5 次），但它徹底消除了傳統方法中因初期篩選失敗而必須重頭來過的災難性風險，在成本效益與預測精度上取得了最佳平衡。
HASOD 框架打破實驗階段界線，透過自適應擴充與高斯過程，為高維度工業最佳化確立了高準確率與低誤差的新標準。