本文介绍了一种基于强化学习技术的数据驱动式采样函数选择策略，称为强化学习辅助贝叶斯优化（RLABO），用于高昂的黑盒优化问题，取得了具有竞争力和鲁棒性的优化效果。

Oct, 2022

提出了一种基于无似然推断的方法（LFBO），通过直接建模采集功能而不必单独执行概率替代模型上的推断，使 BO 扩展到更广泛的模型和实用程序类别，通过适当地选择实用程序函数（EI），LFBO 在几个实际最优化问题上优于各种最先进的黑匣子优化方法。

Jun, 2022

本文提出了一种基于元学习和高斯过程的贝叶斯优化具有自定义优化器的方法，通过将来自相关任务的信息进行转移学习，实现对目标函数的数据高效优化。

Apr, 2019

使用一种基于知识梯度获取函数关系网的新方法，使得节点评估和输入选择可以根据成本进行，从而降低了查询成本并在多个合成和真实问题中优于现有的函数网络方法和其他基准。

Nov, 2023

本文提出了一种基于高斯过程（GP）和利用梯度信息的多层次收获函数的 FOBO 算法，该算法在机器学习中的应用并验证结果优于现有的方法。

Jun, 2023

贝叶斯优化是一种采样高效的全局优化方法，采用获得函数（采购函数）来引导其搜索过程。本文利用 Monte Carlo 方法估计采购函数，证明其可进行梯度优化；我们还确定了一类通用的采购函数，包括 EI 和 UCB，并证明我们可以使用贪心算法对其进行优化。

May, 2018

本文介绍了一个新的框架，将大型语言模型与进化计算相结合，自动设计成本感知的采集函数，以在有限预算内高效接近全局最优解。

Apr, 2024

本文介绍了贝叶斯优化的方法，通过建模替代函数和最大化收购功能来确定下一步查询的位置，同时考虑三种流行的收购功能的局部优化器的性能分析，并引入允许本地优化方法从多个不同的起始条件开始的分析，数值实验证实了我们的理论分析的有效性。

Jan, 2019

模拟基于贝叶斯优化 (SBBO) 是一种用于优化黑盒函数的新方法，只需要通过基于采样的后验预测分布进行访问。该方法允许在涉及组合空间和离散变量的情况下使用适用于组合空间的概率代理模型。在组合优化的应用中，我们通过使用不同的代理模型在实证上证明了 SBBO 方法的有效性。

Jan, 2024

利用概率重参数化方法（PR）在混合或高基数离散搜索空间中最大化收购功能（AF），可显著提高贝叶斯优化（BO）的优化表现，并且能够很自然地扩展到具有多个目标和黑盒约束的设置。

Oct, 2022