综述了多保真优化与贝叶斯优化相交的领域中 MF BO 的最新发展，包括高斯过程为基础的 MF 代理模型和不同的采集函数，并探讨了多保真优化在约束优化、高维优化、不确定性优化和多目标优化中的应用。
Nov, 2023
基于贝叶斯优化的多重保真度方法的研究，旨在解决在实际应用中存在的假设不准确的问题，其中包括高保真度数据获取成本高和数据源之间相关度局限性的挑战。通过提出一种多重保真度仿真方法，我们可以学习每个数据源的噪声模型，并使多重保真度优化能够利用高度偏差的低保真度数据源，从而提升性能。
Sep, 2023
在计算材料发现领域，通过多样的交互工作流程和基于贝叶斯优化的多层次恒定调整，结合数据、物理和实时人工决策，提高了对多维参数空间的探索效率。
Feb, 2024
本文研究了多个输出之间具有复杂结构依赖关系的多认真贝叶斯优化，并提出了 MF-MI-Greedy，一种解决此问题的原则算法框架。
Nov, 2018
本文介绍了一种基于 max-value entropy search 的多保真度贝叶斯优化 (MF-MES) 方法，该方法通过考虑最优函数值的熵，而非最优输入点，大大简化了计算，并成功解决了信息熵的估计难题。同时，文章还提出了 MF-MES 的并行化方案，并通过材料科学数据等基准数据集的实验验证了该方法的有效性。
Jan, 2019
通过一个简单的基准研究，展示实证结果并讨论多 fidelity Bayesian 优化的长期行为和可能的表现不佳情景与原因。
Dec, 2023
多重保真度优化（MFO）是一种通过分层保真度方法，平衡高保真度准确性和计算效率的成本有效策略，本调查研究了 MFO 的基本原理、方法和应用，并展望了 MFO 领域中的挑战和前景，以促进进一步的研究和合作。
本篇论文提出了一种基于知识梯度的多保真度贝叶斯优化方法，能在深度神经网络和大规模核学习的超参数调整方面表现优异，并有效解决了验证误差的计算问题。
Mar, 2019
介绍了一种新颖的信息论获取函数，通过实施基于粒子变分贝叶斯更新的共享任务间潜在变量，平衡了对当前任务信息获取需求与收集可迁移到未来任务的信息目标，实验证明，该策略能够显著提高优化效率。
Mar, 2024
为了解决高维数据下基于高斯过程的多保真度主动学习不易扩展以及传递误差的问题，我们提出了一种基于解缠混淆的深度贝叶斯学习框架，可以在多个保真度下学习代理模型的分布函数。
May, 2023