通过优先建模抽象属性的增强贝叶斯优化
内容提要
该综述梳理贝叶斯优化在过程系统设计中的进展与挑战，重点包括提升概率模型质量、内部采样优化及利用问题结构提高样本效率。介绍的新方法有：PBO基于两两比较建模；多任务学习引入专家知识加速；并行BO按设计空间分区；多目标BO自适应估计偏好；HypBO用专家假设引导化学搜索；人机协作框架让专家影响实验选择并保证收敛。
延伸解读
贝叶斯优化在过程系统设计中的核心挑战
文章指出，贝叶斯优化在过程系统设计中面临三大挑战：提升概率模型质量、优化内部采样过程以及利用问题结构提高样本效率。这些挑战直接关系到优化算法在昂贵黑箱函数上的性能，是推动贝叶斯优化实际应用的关键。
专家知识融合的多种实现路径
文章介绍了多种融合专家知识的方法：多任务学习通过Siamese神经网络收集知识加速优化；HypBO利用专家假设生成样本种子，并自动折扣低质量种子；人机协作框架让专家从备选解中选择，保证收敛性。这些方法从不同角度提升了优化效率。
并行与多目标优化的结构利用
针对并行贝叶斯优化，文章提出了按性能函数级集或部分可分性划分设计空间的方法，显著减少搜索时间并提高找到全局最优的概率。在多目标优化中，通过交互式估计决策者偏好模型，主动学习偏好信息，有效找到最优解。
鲁棒性与可解释性的进展
文章提到ColaBO框架能整合超出典型内核结构的先验信念，在准确先验下加速优化，在误导信息下保持默认性能。CoExBO框架则通过优先学习整合人类洞察，提供可解释建议，并保证即使极端对抗干预也能渐进收敛到标准贝叶斯优化。
Q&A
贝叶斯优化主要适用于哪些类型的优化问题？
贝叶斯优化适用于优化噪声大、昂贵难评估的黑箱函数，在科学、工程、经济、制造等领域有广泛应用。
PBO方法相比标准贝叶斯优化有什么优势？
PBO通过建模Bernoulli-高斯过程来建模每个决斗的赢家概率，允许仅通过两两比较查询隐函数，在寻找最大值过程中需要极少的比较。
如何利用专家知识加速贝叶斯优化？
可以通过多任务学习引入专家知识，并使用Siamese神经网络进行知识收集，从而显著加速优化过程。
并行贝叶斯优化如何利用设计空间结构提高效率？
并行贝叶斯优化可以通过按性能函数的级集划分设计空间，或利用性能函数的部分可分性结构进行分区，从而显著减少搜索时间，提高发现全局最优解的概率。
HypBO方法如何利用专家假设改进化学空间搜索？
HypBO利用专家人类假设生成改进的样本种子，自动折扣不太有希望的种子，而有希望的种子用于增加代理模型数据，实现更有信息的抽样，从而加速搜索。
人机协作框架如何保证贝叶斯优化的收敛性？
人机协作框架允许领域专家影响最优实验的选择，通过求解增广多目标优化问题返回备选解集合，即使专家无经验，算法仍能恢复标准贝叶斯优化的遗憾，保证收敛。
