有没有办法选择先验参数来实现高斯过程MLR（Hyperopt）贝叶斯优化中的某种传递学习？我的目的是使用我的ML模型的上个月超参数调整实验作为今天适合高斯过程的先验（如Google Vizier bayes optim）
关于Google Vizier（link to the paper）转学习：
在进行黑盒优化时，用户经常进行与之前运行的研究相似的研究，并且我们可以利用这一事实来减少重复工作 . Vizier支持一种转学习形式，它利用先前研究的数据来指导和加速当前的研究 . 例如，可以调整机器学习系统的学习速率和正规化，然后使用该研究作为在不同数据集上调谐相同ML系统的先前 . [...]我们的策略是构建一堆高斯过程回归量，其中每个回归量与一项研究相关联，并且每个等级都针对相对于其下方的回归量的残差进行训练 . 我们的模型是研究是以线性顺序进行的，每项研究都使用之前的研究作为先验 . 堆栈的底部包含一个使用堆栈中最早的研究数据构建的回归量 . 它上面的回归与第二个最古老的研究有关，并且相对于它下面的回归量的预测，其目标的残差也会回归 . 类似地，使用来自该研究的数据构建与i ^ 研究相关联的回归量，并且针对其下方的回归量的预测对目标的残差进行回归 .
