研究了贝叶斯优化中在线长度尺度调整和核函数选择，提出使用收购函数来更加强大、更考虑未来优化进展地决定超参数调整，同时提出一种特殊的核函数，它包括非稳态和局部各向异性，从而将局部凸优化的效率隐含地与全局贝叶斯优化相结合，并在全球优化基准测试中得到了更有效的机制。

Dec, 2016

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

本文提出一种自动设计BO搜索空间的方法，通过以前黑盒函数的评估结果，学习搜索空间几何形态，使传统的BO方法具有迁移学习属性，加速了各种黑盒优化问题的优化过程，结合随机搜索实现了无参数、易于实现、鲁棒的超参数优化策略。

Sep, 2019

本文介绍了一种新颖且非常有效的处理高维搜索空间中贝叶斯优化问题的方法，该方法利用了低维子空间的优势，将复杂的全局最大化问题转化为简单的低维最大化问题，使得算法具备了快速高效的优点，同时实现了收敛。

Nov, 2019

本文提出一种结合局部优化与定制内核设计的新型解决方案，有效应对高维分类和混合搜索空间，同时保留样本效率，经实验证明在性能、计算成本等方面优于当前基准。

Feb, 2021

提出 BAxUS 方法，通过应用一种新颖的嵌套随机子空间方法来适应高维度贝叶斯优化问题，确保高性能并消除失败风险，同时得到了比现有方法更好的结果。

Apr, 2023

本文提出一种基于半监督学习的师生模型的贝叶斯优化方法，利用未标记数据和黑盒函数，在学习到的潜在空间中降低维度，使其可应用于高维问题，优化 unlabeled data 的采样和选择，采用黑盒参数化采样分布和经过动态拟合的极值分布，该方法在多项真实世界和合成训练中优于其他已有BO方法。

May, 2023

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

LABCAT算法通过添加主成分对齐旋转和基于局部高斯过程代理模型的长度尺度的自适应重新缩放策略，扩展了基于信任区域的贝叶斯优化方法，通过广泛的数值实验，证明LABCAT算法胜过了几种先进的贝叶斯优化和其他黑盒优化算法。

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