本文提出了一种简单的方法来预训练一个代理模型，该模型是一个高斯过程，其核函数定义在从先前任务得到的深度特征学习的变压器编码器的数据集上，用于解决可能具有异构输入空间的先前任务。此外，我们还提供了一种简单而有效的混合初始化策略，用于未见过的输入变量对应的输入标记，从而加速新任务的收敛。对合成和真实基准问题的实验表明，我们提出的预训练和迁移 BO 策略相比现有方法更加有效。

Aug, 2023

该论文提出了一种基于元学习的贝叶斯优化框架，并利用神经过程和转换器结构学习收购函数，通过强化学习来解决元数据缺乏标签问题，最终在多种领域的实验中取得了最先进的效果。

May, 2023

本文提出了一个深度学习框架，基于具有随机先验的 bootstrap 整合的神经体系结构，用于贝叶斯优化和连续决策。该框架能够在高维输出的情况下逼近设计变量和感兴趣数量之间的函数关系，测试表明该方法在优化轮毂叶片的形状等高度复杂的任务中具有明显的优越性。

Feb, 2023

本文提出了一种基于结构耦合核的 BO 方法 LADDER，使用深度生成模型的潜在表示来优化组合空间，解决了传统 BO 方法中代理模型只利用深度生成模型学习的信息对黑盒函数进行近似的缺陷，并通过实验验证表现优越。

Nov, 2021

本文提出了一种基于 Sliced Inverse Regression（SIR）的高维贝叶斯优化算法，能够通过降维方法学习对象函数的内在子结构，并且采用了核技巧来降低计算复杂度和学习非线性的子集。实验证明，该算法在高维贝叶斯优化中具有优越性。

Jul, 2019

本文提出了一种处理高维黑盒函数优化挑战的方法 —— 通过 (1) 推断函数的潜在加法结构以进行更加高效和有效的贝叶斯优化，(2) 并行进行多次评估以减少方法所需的迭代次数。通过 Gibbs 抽样学习潜在结构，并使用定向点过程构建批量查询。实验结果证明，该方法优于现有技术。

Mar, 2017

本文提出了一种基于贝叶斯优化的方法，该方法可以利用学习算法的迭代结构来有效地调整超参数。在深度强化学习和卷积神经网络训练中，我们的算法通过选择最佳超参数的方式，以最小时间成本实现了调优。

Sep, 2019

该研究提出了一种使用 Riemannian 流形理论的方法，以在机器人学领域中处理非欧几里德参数空间的高维度问题，从而增强了贝叶斯优化的效果，测试结果表明该方法具有较好的性能。

Oct, 2019

本文提出一种基于 Bayesian 图神经网络作为新的代理函数的方法，能够自动提取深度神经架构中的特征，并使用学到的特征来拟合和表征黑箱目标及其不确定性，将其用于应对深度神经架构搜索的挑战性任务，实验结果表明该方法在基准任务上明显优于比较方法。

May, 2019

本文介绍了两种可扩展且在元学习中具有稳健性的算法，它们是 “稳健元高斯过程 - 置信上界”（RM-GP-UCB）和 “稳健元高斯过程 - 汤普森抽样”（RM-GP-TS），两者均具有渐进无遗憾性。我们同时优化经过在线学习分配给个别任务的权重来减弱不同任务的影响，从而进一步增强稳健性。实证评估表明，在各种应用中，RM-GP-UCB 表现出有效和一致的性能，而尽管 RM-GP-TS 在理论和实践中都不如 RM-GP-UCB 稳健，但在一些具有较少不同任务的场景中表现具有竞争力且更具计算效率。

Jun, 2022