通过引入 Lipschitz 正则化和损失加权等方法，我们提出了一种相关的潜空间贝叶斯优化（CoBO）方法，用于优化黑盒函数中的离散数据。在分子设计和算术表达式拟合等离散数据的多个优化任务中，我们的方法在较小的资源预算下取得了高性能。

Oct, 2023

通过限制搜索维度并利用本地高斯过程回归（LGPR）将贝叶斯优化（BO）扩展到更高维度，提高了预测准确性、搜索效率和高斯过程回归中的时间复杂度。在 20D Ackley 和 Rosenbrock 函数的评估中，搜索效率相比其他方法提高了约 69% 和 40%，并将该方法应用于功率半导体器件的自动设计任务，成功将特定导通电阻降低到传统方法的 25％以及没有 LGPR 的情况下的 3.4％。

Mar, 2024

通过使用协方差矩阵适应 (CMA) 策略，本文提出了一种新的技术，用于定义具有高概率包含全局最优解的局部区域，从而在局部区域内使用贝叶斯优化 (BO) 来优化目标函数。我们的方法作为元算法，能够结合黑盒子优化器，如 BO、TuRBO 和 BAxUS，在我们得到的局部区域内找到目标函数的全局最优解，并在各种基准合成和真实问题上进行了评估，结果表明我们的方法优于现有的尖端技术。

Feb, 2024

本文提出了一种名为 TuRBO 的算法来解决高维问题的全局优化，该算法利用一系列局部模型，通过隐式赌博方法对这些模型之间的样本进行原则性的全局分配，并在强化学习、机器人学和自然科学领域的问题上显著优于其他现有方法。

Oct, 2019

ROBOT 使用排序和信任区间的方法来找到不同的高性能解决方案，相较于寻找单一最佳解决方案，只需要进行少量的额外函数评估。

Oct, 2022

我们研究高维和非稳态情景下的贝叶斯优化。我们提出了一个名为 BALLET 的框架，通过自适应过滤高置信度感兴趣区域（ROI）来解决现有算法在这些情景中通常需要大量超参数调整的问题。我们的方法易于调整，并能够聚焦于可以应用现有贝叶斯优化方法处理的优化空间的局部区域。关键思想是使用两个概率模型：一个粗糙的高斯过程（GP）用于识别 ROI，一个局部化的 GP 用于 ROI 内的优化。我们理论上证明了 BALLET 可以有效缩小搜索空间，并且能够比没有 ROI 过滤的标准贝叶斯优化展现更紧的遗憾界限。我们通过合成和实际优化任务的实证研究证明了 BALLET 的有效性。

Jul, 2023

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

通过使用偏好反馈，我们构建了黑盒函数的置信区间，并提出了一种乐观算法，该算法具有有效的计算方法，并且在累积遗憾方面具有信息理论上的界限，从而使我们能够设计出具有收敛速率保证的估计最佳解决方案的方案。实验结果表明，我们的方法在高斯过程、标准测试函数和热舒适优化问题上都能稳定地达到更好或者有竞争力的性能，相比现有的启发式方法而言，我们的方法不仅拥有遗憾界限或收敛性的理论保证。

Feb, 2024

Bayesian Optimization is enhanced by integrating intermediate outputs and effectively tackles high-dimensional problems using Joint Composite Latent Space Bayesian Optimization.

Nov, 2023

本研究中，我们提出了一种新的局部贝叶斯优化算法 MinUCB，通过在 GIBO 中将梯度下降步骤替换为最小化 UCB 的策略来改进了梯度下降方法，证明了在应用高斯过程作为替代物时，后者可以比直接梯度下降更好。此外，我们还通过前瞻策略改进了 MinUCB 的取样函数，得到了更高效的算法 LA-MinUCB，并在不同的合成和现实函数中应用我们的算法，结果表明了我们方法的有效性。我们的算法还从上界的角度改进了贝叶斯优化中的局部搜索策略，并为未来算法设计提供了新的方向。

May, 2024