通过将 Bayesian Optimization 与 FlexHB 相结合，并重新设计 Successive Halving 的 early stopping 框架，提高了多信度 BO 搜索最优配置的效率，获得了超过其他方法的速度提升。

Feb, 2024

本文介绍了一种基于 max-value entropy search 的多保真度贝叶斯优化 (MF-MES) 方法，该方法通过考虑最优函数值的熵，而非最优输入点，大大简化了计算，并成功解决了信息熵的估计难题。同时，文章还提出了 MF-MES 的并行化方案，并通过材料科学数据等基准数据集的实验验证了该方法的有效性。

Jan, 2019

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

基于贝叶斯优化的多重保真度方法的研究，旨在解决在实际应用中存在的假设不准确的问题，其中包括高保真度数据获取成本高和数据源之间相关度局限性的挑战。通过提出一种多重保真度仿真方法，我们可以学习每个数据源的噪声模型，并使多重保真度优化能够利用高度偏差的低保真度数据源，从而提升性能。

Sep, 2023

该研究论文介绍了一种物理感知多保真贝叶斯优化方法，通过在优化过程中嵌入领域认知形式，有效地提高了多查询优化问题的计算效率。

Dec, 2023

DEHB is a new Hyperparameter Optimization method that combines the advantages of Hyperband and Differential Evolution, and achieves strong performance far more robustly on a broad range of HPO problems and tabular benchmarks, especially for high-dimensional problems with discrete input dimensions.

May, 2021

本文提出了一种结合贝叶斯优化和基于 Bandit 的方法的实用超参数优化方法，该方法在各种类型的问题上都优于贝叶斯优化和 Hyperband，并且具有强大的任何时候性能和快速收敛到最佳配置的优势，对高维度的玩具函数、支持向量机、前馈神经网络、贝叶斯神经网络、深度强化学习和卷积神经网络都适用。

Jul, 2018

综述了多保真优化与贝叶斯优化相交的领域中 MF BO 的最新发展，包括高斯过程为基础的 MF 代理模型和不同的采集函数，并探讨了多保真优化在约束优化、高维优化、不确定性优化和多目标优化中的应用。

Nov, 2023

调研中发现多样性 MF-HPO 基准测试应包含更复杂的案例，同时建议研究人员始终使用建议的基准测试以及多样性 MF-HPO 方法的基准测试结果需要延长计算时间。

Jul, 2023

通过一个简单的基准研究，展示实证结果并讨论多 fidelity Bayesian 优化的长期行为和可能的表现不佳情景与原因。

Dec, 2023