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

本研究提出了一种新的贝叶斯优化框架，用于考虑输入不确定性的多目标优化，包括鲁棒性的量化和搜索一个鲁棒的帕累托前沿，并通过数值基准测试证明了其有效性。

Feb, 2022

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

ROBOT 使用排序和信任区间的方法来找到不同的高性能解决方案，相较于寻找单一最佳解决方案，只需要进行少量的额外函数评估。

Oct, 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

贝叶斯优化是一种强大的技术，可用于优化噪声大、昂贵难评估的黑箱函数，在科学、工程、经济、制造等领域具有广泛的实际应用。本文概述了贝叶斯优化在下一代过程系统设计中的最新进展、挑战和机遇，并介绍了如何利用高级贝叶斯优化方法更有效地解决这些应用中的重要问题。最后，我们总结了提高概率模型质量、选择下一个样本点的内部优化过程以及利用问题结构提高样本效率方面的挑战和机会。

Jan, 2024

本文提出了一种可伸缩的多目标贝叶斯优化算法 MORBO，通过同时在设计空间的多个本地区域中使用协调策略进行并行优化，远高于现有算法的采样效率，适用于高维度的综合问题。

Sep, 2021

本文研究了在不确定环境下的主动学习问题，着重于基于贝叶斯优化的均值 - 方差分析问题，针对高斯过程模型的多任务、多目标和约束优化场景，提出了考虑不确定因素的均值 - 方差权衡的风险度量上下界的主动学习算法，并通过理论和数值实验证明了其有效性。

Sep, 2020

研究了基于贝叶斯优化算法的目标函数，其中目标函数采用 VaR 或 CVaR 风险度量，算法通过将目标函数建模为高斯过程来提高采样效率，并在投资组合优化和鲁棒系统设计等领域得到了有效应用。

Jul, 2020