该研究提出了一个混合方法 Deep-ELA，结合了深度学习和 ELA 特征，用于分析单目标和多目标连续优化问题的算法行为和问题理解。

Jan, 2024

本文分别进行计算分析和探索性分析，利用 GKLS 生成的问题类别对三种最先进的优化方法进行基准测试，结果表明 GKLS 生成了 “大海捞针” 类问题，随着维度的增加，这些问题变得极其难以优化。此外，还与其他两个广泛使用的基准测试集的 ELA 进行比较，并讨论结果的意义。

Apr, 2023

通过进行大规模的 1,500 个超参数与损失地形分析，研究揭示了机器学习模型中超参数和预测损失之间相互作用的关键要素，对多精度和迁移学习方法的成功提供了基础证据，并开发了专门的分析框架来促进对更广泛的 AutoML 任务的基本理解。

Nov, 2023

通过使用图数据挖掘技术，本文提出了利用局部最优网络作为适应度景观的代理，以定性和定量分析探索这些景观中嵌入的潜在拓扑结构信息，从而解决了实际情况中推断相似性的困难。通过在三个经典组合优化问题上进行大规模实证实验，我们获得了支持同类景观之间在邻近维度存在结构相似性的确凿证据，并探究了不同问题类之间的景观关系。

Dec, 2023

通过使用可学习的景观代理（Landscape Surrogate）作为优化器的替代品，可以在学习集成优化中加速优化过程，提供相对稠密和平滑的梯度，在合成问题和真实世界问题中实现优化目标，同时降低对优化器的调用次数，并在计算复杂度高的高维问题上优于现有方法。

Jul, 2023

利用损失景观理论，从 backbones、regularization、training paradigm 和 learning rate 四个方面增强深度学习模型的泛化能力，并在 NICO++, PACS, VLCS 数据集上进行充分的实验验证和可视化分析，应用于 ECCV 2022 NICO Challenge 并在不使用任何域不变方法的情况下获得第三名。

Sep, 2022

本文提出了一种扩展的基于多个仿射组合的 MA-BBOB 生成器方法，以帮助填充实例空间，并探究其对算法选择价值的影响，而 MA-BBOB 建立在公开的 IOHprofiler 平台上，可实现标准实验程序，提供性能分析和可视化，并与 (MA-) BBOB 函数的数据集进行比较。

Jun, 2023

在本文中，我们介绍了一种新的启发式算法，用于在成本函数的 extensive 评估是昂贵、不可访问或甚至是禁止的场景中进行全局优化。该方法结合了机器学习、随机优化和强化学习技术，并依赖于以前采样点的历史信息，选择应该评估成本函数的参数值。与 Replica Exchange Monte Carlo 方法优化相比，该方法所需的成本函数评估次数与模拟退火方法相当，这在高通量计算或高性能计算任务等上下文中特别重要，其中评估要么计算成本高，要么需要很长时间才能执行。该方法与标准的替代优化技术不同，因为它不构建旨在近似或重构目标函数的替代模型。我们通过将其应用于低维优化问题（维度为 1、2、4 和 8），模拟了凝聚态物理中常见的崎岖能量景观上的最小化困难，其中成本函数崎岖不平且充斥着局部最小值。与经典模拟退火相比，LSS 显示出优化过程的有效加速。

Sep, 2023

本研究考虑学习一层隐藏层神经网络，通过高斯分布输入和低秩张量分解来优化非凸目标函数，利用随机梯度下降法可以证明收敛于全局最小值，并通过模拟实验证实。

Nov, 2017

本文使用 Fitness Landscape Footprint 框架，对传感器数据融合和图像分类中的神经网络超参数优化问题进行研究，发现不同传感器具有类似的适应性分布，而 Sentinel-2 传感器的适应性能力更强，并且使用它进行搜索时获得更好的结果。

Jan, 2022