方案说明：
- 本方案基于官方的baseline修改而来。
- 基于上述方案主要有两个方面的修改：
- 修改了模型的表达方式
- 修改了源GPNAS中的kernel function
模型表达方式
原始的模型表达方式（编码）太"直观"了，比如"j111231321311311221231121111231000000"这样的一串字符串，而模型的表达远比这来的要复杂，所以我的第一个想法就是如何表达模型。曾经尝试过用embdding的方式(可以参考NLP)，确实能够看到不同的embedding对模型的表示结果不同，但是反映到赛题上结果都很差。
而我这里尝试直接修改原编码字符串，参考代码中的convert_X函数，分数直接由baseline的0.66提升到0.76。再简单微调一下就到了0.78，ab榜都在18名，而与第一名也就相差1个百分点。
实话讲，不清楚为什么这样做会有这么大的提升，这样刷榜也实在不妥，所以比赛后半端就不再提交了...
这里只能分享一下我修改编码字符串的一些经验：
- 编码字符串的长短与结果没有必然联系
- 原始字符串与拓展字符串拼接结果最好
- 拓展字符串需要能够最大程度区分原始串中"1,2,3"等表示方式，比如用5次方
GPNAS中的kernel function
GPNAS源代码中_get_corelation中提供了两个kernel function，而我这里直接使用np.abs，提升在1-2个百分点。
def _get_corelation(self, mat1, mat2):
"""
give two typical kernel function
Auto kernel hyperparameters estimation to be updated
"""
mat_diff = abs(mat1 - mat2)
if self.c_flag == 1:
return 0.5 * np.exp(-np.dot(mat_diff, mat_diff) / 16)
elif self.c_flag == 2:
# return 1 * np.exp(-np.sqrt(np.dot(mat_diff, mat_diff)) / 12)
_data = np.dot(mat1, mat2)
return np.abs(_data)最后
这次成绩偶然成分较大，欢迎大家多多交流 ：）