本研究提出一种基于Bayesian优化的框架用于控制变量的功能优化问题，并使用Bernstein多项式基进行控制函数的表示，通过动态调整多项式次数的方法，融合形状的先验信息，对深度网络学习率调度的优化和短聚酯纤维设计问题取得了良好的效果。

Sep, 2018

使用表观不确定性来指导潜在空间内的优化过程，利用重要性采样估计表观不确定性来生成更真实且有效的高维离散对象，在数字生成、算术表达式逼近和药物设计的分子生成等多个实验中都表现出优异的性能。

Jun, 2021

BONET是一个使用离线数据集为基础，训练一个新的黑盒优化器的生成框架，采用单调转移启发式策略，实现从低保真度到高保真度的采样，在Design-Bench中的实验结果显示，BONET使用一个因果掩码转换器的实例，在平均排名上表现最佳，优于现有技术基准。

Jun, 2022

该论文介绍了一种新的离线黑盒优化的逆向方法——DDOM，基于扩散模型，它能够通过学习条件生成模型来进行优化，其在 Design-Bench 基准测试中的表现与最先进的基线相媲美。

Jun, 2023

采用拟贝叶斯优化的框架，通过利用简单的局部回归和随机化先验构建来量化不确定性，并保证收敛性，有效地优化高维度的综合实验、超参数调整和机器人应用的例子中胜过最先进的基准测试。

Oct, 2023

Variational inference (变分推断) can be optimized using Wasserstein gradient descent methods to improve efficiency and alignment of variational parameters with the true posterior.

Oct, 2023

利用Scout-Nd算法进行多维随机约束优化，通过有效估计梯度、降低梯度估计噪声和应用多保真度方案，减少计算工作量，在标准基准测试中验证了该方法的有效性，表现出优于现有方法的性能。

Nov, 2023

针对黑盒模拟器优化问题，本文提出了一种名为目标方差缩减（TVR）的贝叶斯优化方法，通过联合采集函数对控制参数和不确定参数进行同时优化，以有效实现鲁棒优化。该方法在泛函高斯过程模型的基础上，通过闭合形式计算采集函数，展现了探索-开发-精确性的平衡，可适应广泛的非高斯分布，并通过数值实验和针对汽车制动盘的案例研究验证了其优越性能。

Mar, 2024

通过学习主动学习策略和使用代理模型的梯度从而使用梯度下降法优化模拟参数，本文引入了一种新的方法来解决类似黑盒优化问题的一类问题。经过训练后，相对于局部代理模型方法、数值优化和贝叶斯方法，基于黑盒模拟器的问题的下游优化仅需要约90％较少的昂贵模拟调用。

Jun, 2024

本研究解决了离线黑箱优化中缺乏有效样本生成的难题，提出了“代理增强采样”以利用训练好的代理提供明确的指导，并结合“基于扩散的代理精细化”来提高优化的鲁棒性。结果表明，该方法在多个设计基准任务上达到了最先进的效果，显示了其在条件生成中的强大潜力。

Oct, 2024