离线基于模型的优化（MBO）旨在最大化黑箱目标函数，仅使用设计和分数的离线数据集。我们引入一种名为离线模型优化设计编辑（DEMO）的新方法，通过在离线数据集上应用训练好的代理模型的梯度上升来产生一个合成数据集，用于训练条件扩散模型以生成高分设计，并通过直接将离线数据集中的高分特征加入到设计生成过程中进行了改进。实证评估表明，DEMO 在 7 个离线 MBO 任务中优于各种基准方法。

May, 2024

离线优化涉及最大化一个黑盒目标函数，存在广泛的应用。然而，与离线单目标优化相比，离线多目标优化进展不足，主要原因是缺乏像单目标优化的 Design-Bench 这样的基准。为了填补这一差距，我们提出了离线多目标优化的第一个基准，覆盖了从合成到真实任务的一系列问题。该基准提供了任务、数据集和开源示例，可作为方法比较和离线多目标优化进展的基础。此外，我们从数据、模型架构、学习算法和搜索算法四个基本角度分析了如何将当前相关方法调整为离线多目标优化。实证结果显示，离线多目标优化方法相较于训练集的最佳值有所改进，证明了其有效性。由于没有特定的方法明显优于其他方法，进一步提高离线多目标优化的效果仍然是一个开放性挑战。最后，我们探讨了离线多目标优化的未来挑战，希望为这个新兴领域带来一些启示。我们的代码可在 https://github.com/lamda-bbo/offline-moo 找到。

Jun, 2024

本文旨在解决基于数据驱动的基于模型优化 (MBO) 问题，提出了一种名为保守目标模型 (COMs) 的方法，该方法使用对无法分布的输入提供目标函数的下界的模型进行优化， 结构上，COMs 类似于用于克服对抗性示例的对抗性训练方法，并在广泛的 MBO 问题上优于许多现有方法。

Jul, 2021

在这项工作中，我们考虑了一种更加普遍但具有挑战性的约束模型优化问题（CoMBO），其中只有部分设计空间可以进行优化，而其余部分受到环境的约束。我们提出了一种新的推理增强的离线模型优化方法（ROMO），它通过检索离线数据集并聚合相关样本来提供可信的预测，然后在此基础上进行梯度优化。ROMO 在 CoMBO 设置中表现出色，优于最先进的方法。

Oct, 2023

通过拟合多项式替代模型到目标函数，通过迭代更新模型并利用预期改进的探索和利用平衡，提供模型的不确定性估计的 PMBO 是一种成功竞争，并在某些情况下甚至超越其他算法的黑盒优化方法，可广泛应用于各个领域。

Sep, 2023

RIBBO 是一种从离线数据中强化学习 Black-Box Optimization 算法的方法，采用表达能力强的序列模型学习多个行为算法和任务产生的优化历史，通过集成 regret-to-go tokens 来自动生成满足用户期望遗憾值的查询点，从而在各种问题上实现了普遍良好的实证性能。

Feb, 2024

基于扩散模型的逆向建模用于黑盒优化问题，通过设计新颖的获取函数（UaE），它利用条件扩散模型的不确定性在设计空间中生成样本，实现了在线黑盒优化，并在实验中证明了其优越性能。

Jun, 2024

mlrMBO 是用 R 编写的模型优化（MBO）工具箱，用于单目标和多目标优化，使用替代回归模型逼近给定的目标函数，实现了多点批量建议、可视化等功能，并在广泛的优化器基准方案中进行了对比，表现出最先进的性能。

Mar, 2017

机器学习和黑盒优化之间的相互影响性及算法性能的比较研究：基于机器学习和黑盒优化的算法在有限预算下具有较好性能，但随着预算增加，其他算法家族通常表现更好。

Sep, 2023

通过训练二元分类器，我们提出了一种简单的方法来检测分布的变化，从而解决了在模型设计过程中的分布偏移问题，并通过验证其在实际应用中的有效性，证实了此方法可以提高设计的质量。

Nov, 2023