本文研究了在可以进行一系列干预的因果模型中全局优化感兴趣的变量的问题，提出了一种新算法 Causal Bayesian Optimization (CBO)，结合了因果推断、不确定性量化和序贯决策等思想，同时考虑了经典的探索 - exploitation 与新型的观测 - intervention 的平衡，通过应用于不同场景中，显示出了该方法的优越性。

May, 2020

通过理论和实践方面的研究，发现在拥有噪声的约束贝叶斯优化中，通过识别高置信度兴趣区域，相交这些区域得出最终兴趣区域，并利用平衡优化和可行区域识别的新型获取函数，为其性能获得严谨的理论证明。

Oct, 2023

Cost Apportioned BO aims to minimize an objective function as efficiently as possible by combining a cost-effective initial design with a cost-cooled optimization phase, leading to better hyperparameter configurations than competing methods given the same cost budget.

Mar, 2020

我们引入了上下文随机双层优化（CSBO）—— 一种在下层问题最小化给定某些上下文信息和上层决策变量条件下的期望的随机双层优化框架。该框架扩展了经典的随机双层优化，使得下层决策者不仅对上层决策者的决策做出最优响应，还对一些侧面信息做出响应，并且存在多个甚至无数个追随者。它涵盖了元学习、个性化联邦学习、端到端学习和侧面信息的 Wasserstein 分布鲁棒优化等重要应用。由于存在上下文信息，现有的经典随机双层优化的单循环方法无法收敛。为了克服这个挑战，我们引入了一种基于多层蒙特卡罗（MLMC）技术的高效双循环梯度方法，并建立了其样本复杂度和计算复杂度。当专门应用于随机非凸优化时，我们的方法与现有下界相匹配。对于元学习，我们的方法的复杂度不依赖于任务数量。数值实验进一步验证了我们的理论结果。

Oct, 2023

本文提出了将成本约束的 BO 建模为约束马尔科夫决策过程 (CMDP) 的方法，并开发了一个高效的滚动估计算法，以同时考虑成本和未来迭代次数。作者在超参数优化和传感器集选择中验证了他们的方法。

Jun, 2021

在本论文中，我们考虑了在 Causal Bayesian Optimization 基础上的一般化问题，即其他代理或外部事件也会对系统进行干预。我们将此广义 CBO 的形式化称为 Adversarial Causal Bayesian Optimization（ACBO），并引入了第一个具有有限遗憾的 ACBO 算法：Causal Bayesian Optimization with Multiplicative Weights（CBO-MW）。

Jul, 2023

通过贝叶斯实验设计的角度形式化了环境优化问题，并提出了 CO-BED - 一种使用信息理论原理设计上下文实验的通用模型不可知框架。CO-BED 通过一系列实验证明了优越性。

Feb, 2023

本文提出了一种基于模型和因果贝叶斯优化算法的方法，学习一个完整的系统模型并通过乐观的原则进行探索和开发，以解决在未知结构方程模型下如何干预以最大化目标变量的问题，并通过实验得到了有益的结果。

Nov, 2022

本文提出了一种受到约束的因果贝叶斯优化方法（cCBO），可在已知因果图中找到优化目标变量并符合某些约束条件的干预措施；我们提出了不同的代理模型，能够融合观察和干预数据，并捕获不同层次的效果相关性。在人工和真实世界的因果图中进行了评估，显示出快速收敛和可行性干预比例间的成功权衡。

May, 2023

提出基于贝叶斯优化的因式化上下文策略搜索方法来提高机器人学习数据效率，通过将通常考虑的文本刻画为目标类型上下文和环境类型上下文两个部分，从而实现经验在目标类型上下文中直接泛化。初步结果表明，该方法在模拟玩具问题上可以更快地泛化策略。

Dec, 2016