本文提出了一种新的多目标贝叶斯优化方法，旨在解决存在输入噪声的多目标优化问题，通过优化多维风险价值 (MVaR) 来产生适应噪声并能够满足多个指标要求的最优设计。

Feb, 2022

本文提出了一种基于随机块升协方差策略搜索算法的无模型策略搜索框架，通过数值分析证明了其的收敛性和应用性，并将其应用于多个基准域上的风险管理与优化问题。

Sep, 2018

本文提出了针对均值 - 方差 MAB 问题的 Thompson 抽样算法，并在更少的假设条件下提供了高斯和伯努利 bandit 的全面损失分析。我们的算法在各种参数配置下都达到了最好的已知损失边界。

Feb, 2020

用假均值将混合风险下的 MDP 转化为标准 MDP，并提出一种基于二级优化结构的统一算法框架，该框架还允许收敛性分析。通过数值实验，验证了该算法的有效性。

Jan, 2022

本文介绍了一种新型的 Bayesian optimization（MiVaBo 算法），并且通过优化获取函数，在 mixed-variable 函数的优化过程中使其成为第一个能够处理离散变量复杂约束的 BO 方法，并提供了混合变量 BO 算法的第一个收敛分析，最后在多个具有超参数的调优任务中显示出 MiVaBo 显着比最先进的混合变量 BO 算法具有更高的样本效率，对于深度生成模型的优化更是如此。

Jul, 2019

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

本文提出了一个新算法 TruVaR，它统一处理了基于高斯过程的贝叶斯优化（BO）和水平集估计（LSE）。该算法通过对一组潜在优化点（BO）或未分类点（LSE）的截断方差的求和进行贪婪收缩，并根据置信度边界进行更新。TruVaR 在几个重要的设置中表现出了有效性，这些设置通常难以纳入近视算法中，包括单点成本和异方差噪声。我们提供了 TruVaR 的一般理论保证，其中涵盖了这些方面，并用其恢复和加强了有关 BO 和 LSE 的现有结果。此外，我们为选取具有相关成本的噪声级别的局面提供了新的结果。我们在合成和真实数据集上展示了该算法的有效性。

Oct, 2016

提出了一种新的主动学习方法 MVAL，通过评估下一个待查询样本和其潜在标记的变化引起的输出变量的变化率来测量未标记实例的价值，并利用信息矩阵来跟踪这些输出分数，通过融合方差来选择既具有信息性又代表性的示例。与逻辑回归和支持向量机相结合，表现出与同类算法相比的最先进性能。

Jun, 2017

本文研究了含有累积回报的均值和方差的性能度量下的有限时域马尔科夫决策过程 (Markov decision processes)，并证明了对于某些情况下，计算在方差约束下使均值回报最大的策略的复杂度是 NP 难问题，并提供了伪多项式精确和逼近算法。

Apr, 2011

本文介绍了一种新颖的稳健贝叶斯优化算法 AIRBO，它可以在任意输入不确定性下有效地识别表现稳定良好的稳健最优解。我们的方法通过在高斯过程中使用最大均值差异 (MMD)，直接建模任意分布的不确定输入，并通过 Nystrom 近似加速后验推理，从而在 MMD 估计误差下建立了严格的理论遗憾界，并在合成函数和实际问题上进行了大量实验，证明了我们的方法可以处理各种输入不确定性并实现最先进的性能。

Oct, 2023