- 物理引导的贝叶斯优化变分量子电路
提出了一种利用贝叶斯优化来优化变分量子本征解算器（VQE）的新方法，包括推导出一个 VQE-kernel 来匹配 VQE 的目标函数的已知函数形式，通过减少后验不确定性来显著优化系统，以及提出了一种名为 EMICoRe 的新的贝叶斯优化获取 - 成本敏感的多层次贝叶斯优化及学习曲线外推的迁移
本文研究了基于成本敏感的多保真贝叶斯优化算法用于高效的超参数优化问题，引入了用户预定义的效用函数来描述成本和性能之间的权衡，并提出了一种新的获取函数和停止准则以动态选择每个步骤的最佳配置，并最大程度地提高未来效用，同时自动终止优化过程，通过 - 具有信息噪声分布的异方差偏好贝叶斯优化
提出了一种新的，基于偏好的贝叶斯优化模型，在考虑人类的不确定性时，通过使用异方差噪声模型来提高候选设计的效率。
- 基于基础模型的语义分割主动标签修正
利用主动标签修正（ALC）框架和基础模型，通过纠正像素的伪标签来提高语义分割模型训练和验证的效果。在 PASCAL、Cityscapes 和 Kvasir-SEG 数据集上的实验结果证明了我们的 ALC 框架的有效性，优于传统的主动语义分割 - 连续搜索空间的活动水平集估计与理论保证
在连续搜索空间中，本研究提出了一种新的算法，通过构建一个置信度测量函数的获取函数，无需离散化直接进行工作，具有理论上的收敛性和在合成和真实数据集上优于现有方法的性能。
- 多样性增强主动学习的均值适当得分的贝叶斯估计
提出了一种基于贝叶斯估计的增加严格适当得分的方法 BEMPS，用于在主动学习中估计严格适当得分的增加，该方法在实验证明了其较其他方法更强大和更具鲁棒性，并通过定性分析得到了支持。
- 多目标主动偏好学习的贝叶斯优化
提出了一种贝叶斯优化方法，用于在具有昂贵目标函数的多目标优化问题中确定最优解，通过交互方式自适应地估计 DM 的贝叶斯偏好模型，并利用获得的偏好信息进行主动学习，从而有效地在基准函数优化和机器学习模型的超参数优化问题中找到最优解。
- 通过多任务双层优化学习主动学习的排序
活动学习是通过有选择性地请求标签以提高模型性能从而减少标注成本的一种有前途的范式。本研究提出了一种新的活动学习方法，通过一个学习的代理模型选择批次的未标记实例来进行数据获取，从而克服了现有活动学习方法所依赖于昂贵的获取函数计算、广泛的建模重 - 一种广义似然加权最优采样算法用于罕见事件概率估计
本文介绍了一种新的采样函数用于高效计算给定输入概率和昂贵函数评估条件下输入 - 响应系统的罕见事件统计量。我们的采样函数是最大似然加权采样函数的推广，通过两个额外参数的变化，可以解决原采样函数的两个弱点，并且我们还开发了一种在 Monte- - 基于自适应主动学习的约束贝叶斯优化
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。
- 一个在嘈杂观测下修正的期望改进获得函数
我们提出了一种改进的 EI 方法，通过引入高斯过程模型提供的协方差信息，修正了传统的 EI 公式，以达到在有噪声和无噪声的情况下都具有较好泛化性能的目的。我们的实验证明，在黑盒优化的基准函数和神经网络模型压缩的参数搜索中，我们提出的方法在存 - 基于多项式模型的黑盒目标优化
通过拟合多项式替代模型到目标函数，通过迭代更新模型并利用预期改进的探索和利用平衡，提供模型的不确定性估计的 PMBO 是一种成功竞争，并在某些情况下甚至超越其他算法的黑盒优化方法，可广泛应用于各个领域。
- 实用的一阶贝叶斯优化算法
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。
- 自适应加权期望提升贝叶斯优化
本篇论文主要研究贝叶斯优化算法的采集函数，提出了自适应加权预期提高算法（SAWEI）用于数据驱动下的优化设计中，能够自我调整样本采集的策略，并且在多个基准测试平台上具有良好的表现和适用性。
- BOtied: 带绑定多元等级的多目标贝叶斯优化
本文介绍了一种基于多目标贝叶斯优化 (MOBO) 的框架，通过提出 CDF 指标和 BOtied 采集函数，可以有效地解决多目标目标空间的优化问题，并在实验中得到良好的效果。
- 去除去中心化无懊悔高维贝叶斯优化中的可加性约束
本文提出了一种松弛针对 $f$ 的加性结构限制的去中心化贝叶斯优化算法 DuMBO，并针对过度探索问题进行调节，是一种在高维环境下实现成本高昂的优化的良好选择。
- 贝叶斯优化中探索 - 利用权衡的掌握
通过融合算法和人类搜索策略的关键成果和见解，该论文提出了一种新的获得函数，掌握探索和开发之间的权衡，可以自适应地选择下一个解决方案，表现出卓越的性能
- 贝叶斯优化的迁移学习：综述
该研究论文介绍基于贝叶斯优化的迁移学习方法，从初始点设计、搜索空间设计、代理模型和获取函数等四个方面总结其方法论和技术细节。同时，论文彰显了该方法在广泛应用中的优点，并提出了未来的研究方向。
- 更多探索的动态稀疏训练
本文提出了基于动态稀疏训练的稀疏连接性搜索问题的开发和探索获取函数，旨在使稀疏训练达到更高的准确性和更高的稀疏度，实验结果表明，相较于目前最先进的稀疏训练方法，在多项深度学习任务中，本文所提出的方法额外具有更高的准确性。
- 通过概率重参数化实现离散和混合空间的贝叶斯优化
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。