我们提出了一种新的贝叶斯优化框架，通过学习适当的图核心，我们的框架具有适应目标函数行为的优点，本地建模方法进一步保证了我们方法的效率。

Jun, 2023

本文提出了一种基于深度图神经网络的可扩展深度图贝叶斯优化方法，用于优化具有上下文特征的 attributed graphs 的 graph structure，解决了传统模型自由方法计算时间长的问题，并在分子发现和城市道路网络设计等人工和真实问题上得到了有效的验证。

May, 2019

使用一种基于知识梯度获取函数关系网的新方法，使得节点评估和输入选择可以根据成本进行，从而降低了查询成本并在多个合成和真实问题中优于现有的函数网络方法和其他基准。

Nov, 2023

本文提出一种基于 Bayesian 图神经网络作为新的代理函数的方法，能够自动提取深度神经架构中的特征，并使用学到的特征来拟合和表征黑箱目标及其不确定性，将其用于应对深度神经架构搜索的挑战性任务，实验结果表明该方法在基准任务上明显优于比较方法。

May, 2019

本文提出了一种利用高斯过程来建模网络节点并以期望改进作为收获函数的贝叶斯最优化方法，通过利用网络中的中间输出信息，实现了比标准方法更高的查询效率和渐进一致性，并在多个合成和实际问题中表现出优异性能。

Dec, 2021

该研究论文提出了一种基于贝叶斯优化的新型图优化框架，通过将原图中的每个 k - 节点子集映射到新的组合图中，并采用局部建模方法来高效遍历后者的子图，从而解决了在图上定义的函数进行组合优化的问题。大量实验证明了该框架在各种类型的图和优化任务上的有效性，并通过消融实验进行了详细分析。

May, 2024

提出了一种基于近似算法的模型平均方法，该方法仅考虑可靠的模型且能在数据量较大的情况下高效地进行比较。

Nov, 2018

本文提出了一个深度学习框架，基于具有随机先验的 bootstrap 整合的神经体系结构，用于贝叶斯优化和连续决策。该框架能够在高维输出的情况下逼近设计变量和感兴趣数量之间的函数关系，测试表明该方法在优化轮毂叶片的形状等高度复杂的任务中具有明显的优越性。

Feb, 2023

本文研究了在可以进行一系列干预的因果模型中全局优化感兴趣的变量的问题，提出了一种新算法 Causal Bayesian Optimization (CBO)，结合了因果推断、不确定性量化和序贯决策等思想，同时考虑了经典的探索 - exploitation 与新型的观测 - intervention 的平衡，通过应用于不同场景中，显示出了该方法的优越性。

May, 2020

本文提出了一种广义块结构非凸优化框架，其中包括应用于多层网络，时间网络，网络网络等相互依赖网络中的结构子图检测。我们设计了一个有效，高效和可并行化的投影算法，即 Graph Block-structured Gradient Projection (GBGP)，用于优化满足图结构约束的一般非线性函数，并证明了我们的算法：1）在网络规模上近线性时间运行；2）具有理论上的近似保证。此外，我们演示了如何将我们的框架应用于两个非常实际的应用，并进行了全面的实验，以展示我们提出的算法的有效性和高效性。

Oct, 2022