本研究旨在通过建立一种评估框架来测试改动对于 SigOpt 优化服务的影响并实现快速变化和核心优化引擎的可靠性和鲁棒性。

May, 2016

本文提出了两种新的并行贝叶斯优化（BO）范例，可利用设计空间的结构进行分区。其中，一种方法是按照性能函数的级集划分设计空间，另一种方法是利用性能函数的部分可分性结构。数值实验表明，这些方法可显著减少搜索所需时间，提高发现全局最优解（而非局部最优解）的概率。

Oct, 2022

通过统一的框架和标准化的黑盒函数，针对化学和生物学的实际应用领域，该论文研究了贝叶斯优化的高维优化方法和技术难点，并提供了易于拓展的软件库，以方便实践者更好地应用于离散优化问题。

Jun, 2024

该论文针对含有离群点的贝叶斯优化问题，提出一种结合鲁棒回归与离群点诊断的算法，分类数据点，提高了效率和收敛率，并在实验中验证了该算法的有效性。

Dec, 2017

我们提出了一种人工智能与人类专家协作的贝叶斯框架，将未测量的抽象属性的专家偏好引入代理模型，进一步提高贝叶斯优化的性能。实验结果表明，我们的方法在合成函数和真实数据集上优于基准方法。

Feb, 2024

我们通过开发新的实证度量标准来对能够解释现代优化算法的分析假设进行仔细的测量，发现所有我们测试的假设（包括基于 Hessian 界限的典型现代假设）都无法可靠地捕捉优化性能，这凸显了对理论分析中使用的分析假设进行新的实证验证的需求。

Jul, 2024

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

采用拟贝叶斯优化的框架，通过利用简单的局部回归和随机化先验构建来量化不确定性，并保证收敛性，有效地优化高维度的综合实验、超参数调整和机器人应用的例子中胜过最先进的基准测试。

Oct, 2023

我们提出了一种适用于一般优化问题的高效搜索启发式算法，特别针对 Bayesian 最优实验设计问题，并通过评估死亡，药物动力学和逻辑回归模型的最优 Bayesian 实验设计来展示其优越性，作为中等规模设计问题（即大约 40 个维度）的计算高效性替代方法。

Mar, 2017

将 expected improvement 的计算转化为二分类问题，以避免分析可观测性和提高 Bayesian optimization 的效率和适用性。

Feb, 2021