本文提出了一种新的基于 SMBO 和贝叶斯学习的自动构建学习模型合集的方法，实验证明其优于传统的 SMBO 方法在回归以及分类数据集上的表现。

Feb, 2014

机器学习和黑盒优化之间的相互影响性及算法性能的比较研究：基于机器学习和黑盒优化的算法在有限预算下具有较好性能，但随着预算增加，其他算法家族通常表现更好。

Sep, 2023

本文提出了一种元学习方法，利用先前的元数据自动搜索高性能的机器学习管道以完成模型选择和超参数优化，该方法结合自适应贝叶斯回归模型、神经网络基函数和贝叶斯优化的收获函数，能够在监督分类数据集上高效地搜索预定义的候选管道，实验结果表明，该方法在一系列测试数据集上能够快速确定高性能的机器学习管道，并胜过基线方法。

Apr, 2019

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

本文提出结合协同过滤和贝叶斯优化的方法，利用概率矩阵分解和贝叶斯优化选取数据预处理方法和机器学习模型，以自动化地完成机器学习管道的选择和调整任务，实现了在多个数据集上大幅超越现有最佳方法的性能。

May, 2017

本文提出了一种扩展的基于多个仿射组合的 MA-BBOB 生成器方法，以帮助填充实例空间，并探究其对算法选择价值的影响，而 MA-BBOB 建立在公开的 IOHprofiler 平台上，可实现标准实验程序，提供性能分析和可视化，并与 (MA-) BBOB 函数的数据集进行比较。

Jun, 2023

提出了一种新的元学习贝叶斯优化方法，通过直接学习任务间查询的效用来解决现有方法在规模可扩展性、观测尺度和噪声类型上的限制，明确建模任务不确定性，并使用辅助模型实现对新任务的稳健适应，在各个基准测试中展现了强大的即时性能，并优于现有元学习贝叶斯优化方法。

Jul, 2023

本文提出一种基于半监督学习的师生模型的贝叶斯优化方法，利用未标记数据和黑盒函数，在学习到的潜在空间中降低维度，使其可应用于高维问题，优化 unlabeled data 的采样和选择，采用黑盒参数化采样分布和经过动态拟合的极值分布，该方法在多项真实世界和合成训练中优于其他已有 BO 方法。

May, 2023

本文提出了一种基于集成高斯过程模型的贝叶斯优化算法（EBO），以解决黑盒函数优化问题中大规模观测、高维输入空间和批量查询质量与多样性平衡等三大挑战。结果表明，EBO 能在几分钟内扩展到数万次观测，同时取得了前所未有的优化效果。

Jun, 2017

本文提出了一种基于一阶梯度信息的简单双层优化算法，适用于深度学习中大规模的非凸函数，无需隐式微分，并有指导其在非凸优化问题上收敛于驻点的收敛性分析证明，实验结果表明其优越的性能表现。

Sep, 2022