高成本模拟一直是实际模拟 / 混合信号设计自动化的瓶颈。我们提出了一种基于学习的算法，能够使用少量数据进行训练，因此适用于模拟成本高的任务。我们的高效算法解决了后布局性能优化问题，同时也解决了原理图级别调整问题。为了实现高效优化，我们使用贝叶斯神经网络作为回归模型来近似电路性能。对于布局感知的优化，我们将问题看作多保真度优化问题，并通过利用廉价评估结果的相关性来提高效率。我们提供了三个测试案例来证明我们算法的高效性。测试结果表明，我们的方法比传统基准和先进算法更高效。

Nov, 2023

本文扩展了贝叶斯网络中敏感性分析的先前工作，通过提出一种多参数的方法来帮助理解对单参数变化的查询的敏感性，并找到使得当前概率分布受扰动最小的最优解，同时阐述了新技术在开发和调试贝叶斯网络及价值（可靠性）的推理等方面的应用。

Jul, 2012

本研究提出了一种基于贝叶斯最优推理和控制框架的主动感知算法，C-DAC，该算法通过直接最小化行为成本，例如时间延迟、响应误差和努力来优化主动感知模型，从而实现了上下文关联的主动控制。我们在简单的视觉搜索任务上模拟这些算法，以说明情境敏感性特别有益的情况和相对于一般统计目标而言优化特别不足的情况。同时，为了解决复杂的问题，我们提出了参数化和非参数化的近似方法，这些近似方法保持上下文相关性同时显著减少计算复杂度。

May, 2013

在采样技术的研究领域，我们提出智能采样的概念，既可以创建新算法，也可以修改其他领域的适当算法以满足采样需求，经过定量和定性比较发现，简单的算法可以轻松地满足超参数优化、数据分析等方面的采样需求，并且优于当前使用的更复杂的算法，从而更好地利用时间和计算资源。

Jun, 2023

通过研究数据访问模式如何影响模型训练，提出了 Active Sampler 算法，它可以让训练数据更加集中在有价值的实例附近，实验证明其能够在 SVM，特征选择和深度学习中提高训练速度 1.6-2.2 倍。

Dec, 2015

我们提出了一种综合多角度的方法，将敏感性分析集成到摊销的贝叶斯推理中，并在应用建模问题中展示了其有效性。

Oct, 2023

传统上，贝叶斯网络的敏感性分析研究了以逐个修改其条件概率表的方式对其影响，我们提出进行全局基于方差的敏感性分析，使用低秩张量分解来降低维度，并通过 Sobol 法得出全局敏感性指标，从而展示不确定参数及其交互作用的真实影响。

Jun, 2024

本研究提出了一种非侵入式优化准则，以有效地构建参数化代理模型，利用基于核的浅层神经网络的主成分分析子空间和主动学习方法构建了 ActLearn-POD-KSNN 代理模型，该模型可以有效地预测新参数位置处的求解，即使在有多个相互作用的激波轮廓的情况下。

Jun, 2023

本研究探究了针对大型超参数空间的机器学习算法选择和超参数调优问题，并提出了一种新的抽样分布方法，以便与现有的机器学习方法进行比较和评估。我们发现，采用该抽样方法在所有情况下均可提高性能。

Sep, 2019

RobustAnalog 是一个稳健的电路设计框架，将不同变化下的电路优化作为一组任务，并利用任务之间的相似性和竞争减轻实现了高效的多任务训练，从而可以快速生成满足不同限制条件的电路参数，相比于其他算法，能显著减少 14-30 倍的优化时间，为应对各种实际硅条件提供了可行的方法。

Jul, 2022