本文提出了一种自适应调整权重的方法，名为 AdMMO，来克服 MMO 的重大缺点，通过在适当的时间调整权重以维持优秀的非支配配置，实验结果表明在多个实际系统、目标和预算上，AdMMO 比 MMO 和一系列最新的优化器优越，同时在最佳速度提升为 2.2 倍至 20 倍的基础上相对更高的效率。

Apr, 2024

本文综述了深度学习在可配置软件性能学习方面的研究，包括配置数据的准备、深度配置性能学习模型的构建、模型的评估以及与软件配置相关的不同任务中的应用。同时，文章还总结了在调查中发现的良好实践和可能存在的问题，以及对该领域未来机会的见解。

Mar, 2024

本文在四个软件系统中进行了实验研究，以了解何时在性能建模中应用迁移学习有益。 结果表明，在环境变化较小的情况下，我们可以通过对性能模型应用线性变换来理解目标环境的性能行为，而在环境变化严重的情况下，我们只能迁移使采样更有效的知识，例如通过降低配置空间的维数。

Sep, 2017

本文提出了一种多目标优化的方法 Pareto Testing，通过结合多目标优化和多假设检验，构建了一组有前途的 Pareto Frontier，并将统计检验应用于这个 Pareto Frontier，用以同时控制和优化各种准确性和成本指标，以此可靠地加快自然语言处理（NLP）应用中大规模 Transformer 模型的执行。

Oct, 2022

本文探讨了在 Search-Based Software Engineering (SBSE) 中，当清晰的利益相关者偏好给定时，是否应该优先使用加权搜索，结果表明，即使在存在明确偏好的情况下，权重也可能对搜索进程有害。具体来说，作者进行了大规模的实证研究，结果在通常搜索预算的情况下表明，帕累托搜索在绝大多数情况下，甚至达到 77％的情况下比其加权对应物有显着优势。

Feb, 2022

HyperMapper 2.0 is a new methodology and software framework that handles multi-objective optimization, unknown feasibility constraints, and categorical/ordinal variables for computer systems design, achieving better Pareto fronts and improved sampling for hardware accelerators.

Oct, 2018

本文探讨机器学习模型性能和超参数之间的关系，通过实验结果发现了趋势和启示，并得出使用梯度提升和 Adaboost 分类器是最佳选择的结论。

Aug, 2021

本文旨在研究自适应系统中的规划领域及其分析方法，进而为未来自适应系统的规划器设计提供指导。通过对四个真实的自适应系统和 14 种不同环境下的规划结果进行研究，发现规划地形通常对规划器提供强烈的指导，但其崎岖不平和多样性可能是主要障碍。同时，本文讨论了由此对未来自适应系统规划器设计的潜在影响

Mar, 2022

大多数优化算法都具有与算法相关的参数，其参数值的设置可以在很大程度上影响所考虑算法的行为。因此，应进行适当的参数调优，以确保用于优化的算法能够表现良好，并且能够足够强大地解决不同类型的优化问题。本文回顾了一些参数调优的主要方法，然后强调了关于参数调优最新进展的重要问题。同时还讨论了一些开放问题，并提出了一些建议，供将来的研究参考。

Aug, 2023

本文研究了在目标性预测中使用可能被错误规定的模型的方法，通过使用名为 “插件表现优化” 的通用协议，证明了其过度风险的界限，结果表明，即使模型被错误规定，模型确实可以帮助学习实现表现。

May, 2023