本文提出了一种基于贝叶斯优化的安全验证算法，它通过迭代地适配概率代理模型来高效预测故障，并通过重要性采样来估计操作域内的故障概率。经实验表明，该算法在减少样本数和各种安全验证指标方面表现良好，并可用于补充机器学习组件的 FAA 认证过程。

May, 2023

使用基于贝叶斯推断的模型方法来估计序列系统的失效轨迹，使用自动微分计算轨迹梯度并使用 Hamiltonian Monte Carlo 采样方法进行多模式捕捉和平滑处理，该方法在自主驾驶车辆、倒置摆控制系统和部分可观察月球着陆器实现，结果显示在样本效率和参数空间覆盖率方面比黑盒子基线方法有所改进，此方法已开放源代码。

May, 2023

该论文集中讨论了通过高概率确定函数超过给定阈值的尽可能大的区域的问题，提出了一种使用鲁棒性方差项的高斯过程来预测函数上阈值区域的体积，并给出了算法的探索效果的渐近保证，同时还通过各种数值实例表明我们的方法在实践中也优于现有技术。

Nov, 2018

我们提出了一种基于逐步降低不确定性原则的算法，将优化视为当前最佳解以下偏移集的序列降低，并选择提供最高预期降低的点的采样策略，避免使用繁琐的模拟，并在数值例子上进行了测试，结果表明它在探索和集中之间提供了有效的权衡。

Oct, 2013

本文提出了一种基于高斯过程的代理模型改进的近似贝叶斯计算方法，同时结合批次 - 序列贝叶斯试验设计策略实现模型并行化，并通过一种数值方法完整量化不确定性，该方法被称为贝叶斯 ABC，并讨论了它与贝叶斯积分和贝叶斯优化之间的联系。

Oct, 2019

本文介绍了用于顺序试验的最优设计策略，并且使用贝叶斯推断的信息理论设计目标针对参数推断进行了 sOED 问题的严谨公式化。同时，研究了具有连续参数，设计和观测空间的非线性设计的数字方法，并利用探索和利用来提高状态空间中经常访问区域的逼近精度。最后，文中展示了对非线性源反演问题的优势。

Apr, 2016

提出了一种新的全局适应抽样策略，称为梯度和不确定性增强的顺序抽样（GUESS），该策略在该研究中与其他 9 种自适应抽样策略进行了比较，结果表明 GUESS 在测试样例上相比其他基于代理模型的策略具有最高的样本效率。

Sep, 2023

提出了一种非参数顺序检验方法，可解决在线随机实验中出现的复杂度量的假设检验以及在持续监控下如何防止类型 I 错误膨胀的问题。该方法无需了解数据生成的概率分布，利用 Bootstrap 估计数据块的似然，然后采用混合序列概率比检验。在来自一家重要的在线电商网站的数据上验证了该过程。结果表明，该检验在任何时候都能控制 I 型错误，在在线随机实验中具有良好的功率，对于数据生成的分布错误具有鲁棒性，并且允许快速推断。

Oct, 2016

本文提出了一种可以使用 Monte Carlo 模拟计算 t 检验 p-value 的无限制顺序算法，能够保证重抽样风险的均匀有界性，是实现需要（重新）抽样的检验标准的理想选择。

Dec, 2006

本文研究了复制的优点并提供了最优设计方法，使用高斯过程代理模型获得全局准确性噪声计算机模拟实验的模拟。利用新开发的异方差高斯过程模型实现了动态设计方案，使其在计算和统计方面都有效，展示了其在库存管理和流行病学等两个挑战性的真实数据模拟实验中的性能。

Oct, 2017