此文讨论了优化算法与蒙特卡罗采样算法之间的关系以及在非凸优化函数中，采样算法的计算复杂度与模型维度呈线性关系而优化算法的计算复杂度呈指数关系。

Nov, 2018

传播模型、后验抽样、测量模型、修复图像、指数级时间拒绝抽样是本研究的主要关键词及研究领域。

Feb, 2024

在本文中，我们考虑了鲁棒优化问题，提出将鲁棒但不合适的优化简化为贝叶斯优化，并应用于神经网络训练和子模优化，最终在字符分类和网络影响力最大化的实验中进行了评价。

Jul, 2017

该论文介绍了一种使用多任务高斯过程模型和克罗内克结构的精确采样技术的黑盒优化方法，可用于多个相关目标的优化，并可应用于涉及成千上万个相关输出的任务，从而实现了与现有方法相比较大的样本效率提高。

Jun, 2021

本文提出了优化采样函数的新框架 optimization from samples (OPS)，并证明了在特定条件下，仍然存在一类函数无法进行有效的优化，但对于一些子模函数，仍然可以进行有效的近似。

Dec, 2015

利用鲁棒的学习算法，我们研究了如何适应任意目标函数的采样分布以寻找良好的局部最优解。我们的研究结果表明，我们的自适应采样器可以为实践中出现的组合优化问题提供有效的解决方案。

Feb, 2018

本文研究了贝叶斯最优控制策略在平滑参数化马尔可夫决策问题中的应用，提出了一种基于后验采样的算法来缓解计算代价，并展示该算法在 Web 服务器控制应用中的高效性与稳定性。

Jun, 2014

本文研究了一个后处理方法对贝叶斯优化的影响，该方法禁止数据集中存在重复样本，结果发现后处理方法显著降低了贝叶斯优化寻找全局最优解所需的顺序步骤的数量，特别是当求解函数采用最大后验估计的收益函数时，这为解决高维问题下贝叶斯优化的收敛速度慢提供了一种简单而普适的策略。

Sep, 2023

研究了具有先验未知约束的贝叶斯优化及其在优化问题中的应用，并提供了解决此类问题的通用框架，并在潜在 Dirichlet 分配，神经网络调整和哈密顿蒙特卡罗优化等问题中进行了有效性实证。

Mar, 2014

本文研究了从连续分布中进行采样的优化问题，利用 Gumbel 过程提出了 A * 采样算法，对其正确性和收敛时间进行了分析，并与现有算法进行比较实验。

Oct, 2014