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
本文提出了一种灵活的图贝叶斯优化框架，结合了图内核，通过识别优化过程中哪些特征更重要来完全利用隐含的图结构特征并证明了其有效性和潜在应用。
May, 2018
本文研究如何使用神经网络作为替代高斯过程的方法建立函数分布模型，以实现高效的贝叶斯优化方法并应用于大规模超参数优化，通过卷积网络和神经语言模型在基准目标识别任务和图像描述生成方面实现了优异的效果。
Feb, 2015
本文提出了一种基于得分的图神经网络方法，旨在学习离散时间时间图中捕捉因果依赖的稀疏 DAG，结果表明该方法较其他现有方法如动态贝叶斯网络推断等表现更好，得到的结构因果模型也比诸如 Notears 等方法发现的线性 SCM 更准确。
Jan, 2023
本论文证明了使用基于 Ensembles 的技术来评估 Graph Neural Networks 生成的预测的不确定性可以帮助超越传统的基于 Kriging 得到响应面的技术，并在各种气动和结构分析任务中提供更高质量的优化结果和更短的优化时间。
Sep, 2021
本文讨论了适应性结构数据处理的问题，提出了一种基于贝叶斯深度学习框架的图形学习方法，该方法可用于处理具有不同连续边缘特征的图形，生成无监督的嵌入向量，并展示出良好的性能。该文的最终目标是提供深度学习领域的贝叶斯透视。
Feb, 2022
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
本文提出了一种受到约束的因果贝叶斯优化方法（cCBO），可在已知因果图中找到优化目标变量并符合某些约束条件的干预措施；我们提出了不同的代理模型，能够融合观察和干预数据，并捕获不同层次的效果相关性。在人工和真实世界的因果图中进行了评估，显示出快速收敛和可行性干预比例间的成功权衡。
May, 2023
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
通过将 GNN 扩展为涉及节点特征、边特征和激活模式的标量积的总和，我们提出了一种高效的分析方法来计算每个节点或边特征对每个标量积的贡献，并通过聚合展开形式中所有标量积的贡献来推导出每个节点和边的重要性，从而创造出忠实、有区别且在相似样本之间稳定的 GNN 解释。通过在合成和真实世界数据上进行大量实验证明，我们的方法不仅在常用的准确度度量上优于各种最先进的 GNN 解释器，而且在区分度和稳定性方面的优势明显。
Jan, 2024