该研究提出一种新的采样技术，将主动学习方法与深度学习相结合，实现基于代理的建模在工程设计优化中的应用，并经过两个不同工程设计领域的实证评估，结果显示该新方法在样本选择方面比其他方法更准确。
Jun, 2022
提出了一种简单且可扩展的主动学习方法，以在学生 - 教师方式下训练替代模型，以取代使用贝叶斯框架对基于深度神经网络（DNN）的替代模型进行复杂的训练过程，从而利用深度学习的优秀能力来减少计算复杂度，在实践中验证了该方法具有可行性并可用于多个工程设计领域。
Nov, 2022
本研究对深度主动学习（DAL）的查询策略进行了基准测试，以减少注释成本。通过开发标准化的实验设置，研究了各种查询策略在六个数据集上的有效性，并使用完全训练的模型进行验证实验，探究了这些方法对这六个数据集的有效性。
Dec, 2023
该研究介绍了一种方法，通过多精度评估、机器学习模型和优化算法的战略性协同，增强受有限计算资源约束的反向设计优化过程。该方法在两个不同的工程反向设计问题上进行了分析，通过在每个优化循环中利用训练有低精度模拟数据的机器学习模型，高效地预测目标变量并确定是否需要高精度模拟，从而显著节省了计算资源。此外，该机器学习模型在优化之前被战略性地使用以减小搜索空间，进一步加快了收敛到最优解的速度。该方法已被应用于增强差分进化和粒子群优化两种优化算法，对比分析表明两种算法的性能有所提升。值得注意的是，该方法适用于任何反向设计应用，实现了低精度机器学习模型和高精度模拟之间的和谐协同，并且可以无缝应用于任何种类的基于群体的优化算法。
比较传统设计优化方法和基于深度学习的反向设计方法在各种场景下的性能，并提供指南以增强后者在实际工程设计问题中的实用性。
Aug, 2023
本研究探讨了多目标优化策略与深度神经网络结合的有效性，通过案例研究证明了该方法在多种应用程序中生成预测和分析方面具有价值。
May, 2023
利用多目标黑盒优化的主动学习过程，在实时流数据和模块化多目标优化软件开发技术支持下，实现了自动化连续流化学实验室的自治操作，为电解质生产提供了理想的制造条件。
Apr, 2023
使用深度学习作为似然无关估计器进行训练，以显著简化设计过程并避免非线性系统中固有的计算昂贵的二级优化问题，从而改善参数估计问题的恢复过程。
Jun, 2024
本文介绍了三种高效的主动搜索策略，通过改变模型的一部分参数进行一定的参数优化，从而有效地解决机器学习中的组合优化问题。
Jun, 2021
提出了一个新的组合优化问题，以生成优化的项目选择，以缩短收集随机训练数据的时间，并结合离散优化、无监督聚类和潜在文本嵌入技术来解决优化问题，并讨论了如何将优化的项目选择与主动学习相结合用于随机探索。
Nov, 2021