在贝叶斯优化中并行化是一个常见的策略，但面临几个挑战：在获取函数和内核选择方面需要灵活性，同时处理离散和连续变量的灵活性，模型错误指定以及快速大规模并行化。为了解决这些挑战，我们介绍了一个灵活和模块化的基于概率提升和内核数值积分的批量贝叶斯优化框架，称为 SOBER，我们将其作为基于 GPyTorch/BoTorch 的 Python 库进行展示。我们的框架提供以下独特的好处：(1) 统一方法在下游任务中具有多功能性。(2) 无梯度采样器，不需要获取函数的梯度，提供领域不可知的采样 (例如，离散和混合变量，非欧几里得空间)。(3) 领域先验分布的灵活性。(4) 自适应批量大小 (自主确定最佳批量大小)。(5) 鲁棒性对模型错指定的再现核希尔伯特空间。(6) 自然的停止准则。

Apr, 2024

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

该研究针对具有耦合黑盒约束和已知仿射约束的分布式多智能体贝叶斯优化问题，提出了一种原始 - 对偶分布式算法，其与单智能体情况下黑盒目标函数和约束函数的遗憾 / 违规边界相似。此外，该算法保证了已知仿射约束的累积违规性的 O (N√T) 界，其中 N 是智能体数量。因此，平均样本满足仿射约束的误差不超过 O (N/√T)。此外，我们确定了某些条件，使得我们的算法能够对累积违规率进行更强的限制，并在没有仿射约束的情况下提供最佳迭代收敛。然后，该方法应用于来自高斯过程的采样实例和无线通信的实际最优功率分配问题；结果表明我们的方法既能提供接近最优的性能，又能保持平均违规性较小，验证了我们的理论分析。

Oct, 2023

研究了具有先验未知约束的贝叶斯优化及其在优化问题中的应用，并提供了解决此类问题的通用框架，并在潜在 Dirichlet 分配，神经网络调整和哈密顿蒙特卡罗优化等问题中进行了有效性实证。

Mar, 2014

本研究针对具有分布不确定性的贝叶斯积分优化问题使用分布鲁棒优化视角，提出了一种基于后验抽样的算法（DRBQO），旨在最大化最对抗分布下的预期目标，并通过贝叶斯遗憾度量其理论收敛性。我们在合成和真实世界问题中展示了我们提出的框架的实证有效性。

Jan, 2020

该研究论文介绍了一种物理感知多保真贝叶斯优化方法，通过在优化过程中嵌入领域认知形式，有效地提高了多查询优化问题的计算效率。

Dec, 2023

本文提出了一种新的贝叶斯优化方法 BE-CBO，通过有效地探索可行设计和不可行设计之间的边界来识别约束条件，并通过综合实验在合成和实际基准测试中展示出卓越的性能。

Feb, 2024

通过提出一种信息论安全探索准则，本研究结合贝叶斯优化采样函数，基于高斯过程推断直接识别最具信息价值的安全参数进行评估，从而实现连续领域的可行性约束优化。

Feb, 2024

通过系统的约束求解器的黑盒方案，结合搜索空间的统一探索，我们提出了一种新的采样技术，可以克服采样过程中的诸多困难，形成了自然的近似模型计数技术。

Oct, 2012

本篇研究提出了一种新的算法，称为 Constrained Upper Quantile Bound (CUQB)，用于解决输入为昂贵黑盒函数的组合函数（混合模型）的高效有约束全局优化问题，并表明 CUQB 在约束和无约束情况下都显著优于传统贝叶斯优化，且具有更好的理论保证。

May, 2023