昂贵代价函数的贝叶斯优化教程，及其在主动用户建模和分层强化学习中的应用

Dec, 2010

A Tutorial on Bayesian Optimization of Expensive Cost Functions, with Application to Active User Modeling and Hierarchical Reinforcement Learning

Eric Brochu, Vlad M. Cora, Nando de Freitas

TL;DR本论文介绍了贝叶斯优化的基本概念，以及该方法在优化高代价函数时的应用。此外，本文还介绍了两个扩展应用领域，并对该方法的优点和缺点进行了讨论。

Abstract

We present a tutorial on bayesian optimization, a method of finding the maximum of expensive cost functions. bayesian optimization employs

发现论文，激发创造

本文介绍了贝叶斯优化的基本工作原理，包括高斯过程回归和三种常见的采集函数；讨论了高级技术，包括并行运行多个函数评估，多保真度和多信息源优化，多任务的贝叶斯优化，并探讨贝叶斯优化软件和未来研究方向。

Jul, 2018

本文提出了一种基于贝叶斯优化的方法，该方法可以利用学习算法的迭代结构来有效地调整超参数。在深度强化学习和卷积神经网络训练中，我们的算法通过选择最佳超参数的方式，以最小时间成本实现了调优。

Sep, 2019

提出了一种贝叶斯优化方法，用于在具有昂贵目标函数的多目标优化问题中确定最优解，通过交互方式自适应地估计 DM 的贝叶斯偏好模型，并利用获得的偏好信息进行主动学习，从而有效地在基准函数优化和机器学习模型的超参数优化问题中找到最优解。

Nov, 2023

ColaBO 是首个贝叶斯规范框架，用于将超出典型内核结构的先前信念整合到优化过程中，能够在准确的先前信息下大幅加速优化，并在误导性信息下保持大致默认性能。

Nov, 2023

本文介绍了一种基于贝叶斯优化的多任务学习方法，其中引入了专家知识进行加速优化，并通过 Siamese 神经网络进行知识收集，实验结果表明，该方法可以显著加速优化过程。

Aug, 2022

本文提出了一种基于贝叶斯优化和偏好探索的框架，通过实时采用基于成对比较的交互式学习和使用基于学习到的 DM 效用和结果的组合模型的贝叶斯优化来进行昂贵评估实验的优化。通过详细的模拟研究验证了偏好探索策略的表现。

Mar, 2022

我们提出了一种扩展的 SnAKe 算法，可以同时处理实验成本和输入参数变化成本，包括最大允许输入变化和多目标设置。

Dec, 2023

本文提出了将成本约束的 BO 建模为约束马尔科夫决策过程 (CMDP) 的方法，并开发了一个高效的滚动估计算法，以同时考虑成本和未来迭代次数。作者在超参数优化和传感器集选择中验证了他们的方法。

Jun, 2021

通过在模型空间和函数空间之间进行反馈，将模型选择与贝叶斯优化相结合，以更加高效地达到函数的极值，证明收敛性并在实验结果中显示与标准贝叶斯优化相比的显著改进。

Aug, 2023

本文介绍了一种名为 PBO 的新框架，它扩展了标准 BO 的思想，并通过模型化 Bernoulli - 高斯过程模型来建模每个决斗的赢家概率，从而允许在仅通过两两比较的方式来查询隐函数，并且相对于以往方法，该方法在寻找最大值过程中需要极少的比较。

Apr, 2017