本文研究了在可以进行一系列干预的因果模型中全局优化感兴趣的变量的问题，提出了一种新算法 Causal Bayesian Optimization (CBO)，结合了因果推断、不确定性量化和序贯决策等思想，同时考虑了经典的探索 - exploitation 与新型的观测 - intervention 的平衡，通过应用于不同场景中，显示出了该方法的优越性。

May, 2020

本文提出了一种基于模型和因果贝叶斯优化算法的方法，学习一个完整的系统模型并通过乐观的原则进行探索和开发，以解决在未知结构方程模型下如何干预以最大化目标变量的问题，并通过实验得到了有益的结果。

Nov, 2022

本文提出了一种受到约束的因果贝叶斯优化方法（cCBO），可在已知因果图中找到优化目标变量并符合某些约束条件的干预措施；我们提出了不同的代理模型，能够融合观察和干预数据，并捕获不同层次的效果相关性。在人工和真实世界的因果图中进行了评估，显示出快速收敛和可行性干预比例间的成功权衡。

May, 2023

在本论文中，我们考虑了在 Causal Bayesian Optimization 基础上的一般化问题，即其他代理或外部事件也会对系统进行干预。我们将此广义 CBO 的形式化称为 Adversarial Causal Bayesian Optimization（ACBO），并引入了第一个具有有限遗憾的 ACBO 算法：Causal Bayesian Optimization with Multiplicative Weights（CBO-MW）。

Jul, 2023

该论文提出了一种称为 fCBO 的方法，通过在已知的因果图中进行功能性干预，找到优化目标变量的干预方法，利用高斯过程对未知目标进行建模，并引入图形标准，在保持标准 BO 的典型计算可行性的同时，通过最大化预期改进收益功能来选择要探索的功能。

Jun, 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

我们提出了一种基于贝叶斯优化的方法，通过活动干预来最大化获取决定性和正确证据的概率，从而有效地发现因果关系，并增强理论进展的实际应用。

Jun, 2024

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

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

本文提出了基于贝叶斯推断的最优实验设计的一般框架和理论，用于目标因果性发现。该方法基于次模性提供了可行的实现，并在人工数据集和真实数据集上证明其优越性能。

Feb, 2019