利用区间分解算法高效计算预期超体积改进值
本文利用编程模型和硬件加速，提出了 q-Expected Hypervolume Improvement (qEHVI) 算法，使得计算多目标贝叶斯优化的探索函数能够适用于平行、受限制的计算情况，并通过自动微分方法，一个精确的求解 MC 积分误差的加速器来计算探索函数的性能和效果进行了实证研究。
Jun, 2020
提出了一种新的采样函数 NEHVI，它通过在 Pareto 前沿上集成期望超体积改进准则的不确定性，从而克服了噪声干扰的限制，特别是在大批量优化环境中表现出卓越的性能。
May, 2021
使用 Gauss-Hermite 积分作为新的求解多目标优化问题的方法，比起传统的蒙特卡罗模拟方法，准确性更高，且可以处理两个或者多个相关联的目标变量。
Jun, 2022
本文介绍了一种基于多目标贝叶斯优化 (MOBO) 的框架，通过提出 CDF 指标和 BOtied 采集函数，可以有效地解决多目标目标空间的优化问题，并在实验中得到良好的效果。
Jun, 2023
提出了一种利用轴对齐超矩形进行支配区域划分的新方法来计算超体积指标，包括一个非增量算法和一个增量算法。虽然其理论复杂度受到了分区复杂度的下界限制，但该方法在实践中具有高效性。此外，证明了 WFG 算法的最坏情况下的复杂度的改进上限和下限。
Oct, 2015
本研究提出了一种混合变量、多目标贝叶斯优化框架 MixMOBO，可高效找到混合变量设计空间的最优帕累托前沿，同时确保多样解，结果表明 MixMOBO 在合成问题上表现良好。
Jan, 2022
我们提出了一种名为 LogEI 的新型收敛函数家族，其成员在数值优化方面比标准收敛函数更容易操作，能够显著提升优化性能，并与最新的收敛函数表现相媲美或超越，突显了数字优化在文献中的被低估作用。
Oct, 2023
本文提出了五种多目标贝叶斯全局优化的概率提高算法 (q-PoI)，适用于多个解点的批量评估，并针对这些算法的位置依赖行为进行了探讨，并通过实证实验证明了两种贪婪型的 q-PoIs 在低维问题上的有效性以及两种探索性的 q-PoIs 在高维问题上的有效性。
Aug, 2022
本研究提出了一种用于高维贝叶斯优化的期望坐标改进准则，该方法通过选择具有最高期望坐标改进值的坐标进行优化，逐渐覆盖所有坐标，从而有效解决了高维贝叶斯优化中凸函数选择的问题，并在数值实验中展现出优于传统贝叶斯优化和五种先进高维贝叶斯优化算法的竞争性结果。
Apr, 2024
本文介绍了一种名为 MO-DEHB 的多目标优化器，它可用于同时优化复杂不同的性能指标，包括准确性、延迟和算法公平性，并在各种任务中均有良好的表现。
May, 2023