增强的上下文黑盒优化
内容提要
本文综述机器学习与黑盒优化的相互影响及算法性能比较。研究表明，此类算法在有限预算下表现良好，但预算增加后其他算法家族常更优。内容涵盖元学习贝叶斯优化、B2Opt、mlrMBO、MetaBox基准平台、LIBO、ROMO、OpenBox等方法，涉及高维优化、序列化Bandit、约束优化及离线优化等方向。
延伸解读
算法性能与预算的权衡
文章指出，基于机器学习的黑盒优化算法在有限预算下表现良好，但随着预算增加，其他算法家族通常更优。这意味着在实际应用中，若评估预算有限，可优先考虑此类算法；若预算充足，则需权衡是否切换至其他方法。这一发现提醒研究者和实践者根据资源条件选择合适算法。
元学习与强化学习的融合趋势
文章提及多种元学习贝叶斯优化方法及MetaBBO-RL，显示元学习与强化学习正被用于提升黑盒优化器的元级能力。MetaBox基准平台的推出填补了评估空白，提供统一比较框架。这反映了该领域向更自动化、自适应方向发展的趋势，但同时也需注意基准覆盖的局限性。
离线与约束优化的进展
文章介绍了ROMO等离线模型优化方法，针对部分设计空间受约束的CoMBO问题，通过检索离线数据增强预测。同时，Design-Bench为离线MBO提供基准。这些工作表明，在无法在线交互的场景下，离线优化正成为重要方向，但实际部署时需考虑数据质量与约束建模的准确性。
Q&A
机器学习和黑盒优化算法在有限预算下表现如何？预算增加后呢？
基于机器学习和黑盒优化的算法在有限预算下具有较好性能，但随着预算增加，其他算法家族通常表现更好。
B2Opt 是什么？它有什么优势？
B2Opt 是一种基于廉价代理函数和进化算法机制的新框架，用于改进高维昂贵黑匣子优化的学习优化框架。相比黑匣子优化基准测试，B2Opt 能够实现 3 到百万倍的性能提升。
MetaBox 是什么？它提供了哪些功能？
MetaBox 是第一个专门为开发和评估 MetaBBO-RL 方法而量身定制的基准平台。它提供了灵活的算法模板、300 多个问题实例（从合成到现实场景）、19 种基准方法库（包括传统黑盒优化器和最新的 MetaBBO-RL 方法），以及三个标准化的性能指标。
LIBO 算法解决了什么问题？它有哪些变体？
LIBO 算法通过元学习逐步逼近真实核函数以解决序列化 Bandit 优化任务，可配合线性或基于核函数的 Bandit 算法实现次线性的令人满意的性能。文章还介绍了以联邦学习方式解决序列化 Bandit 优化任务的 F-LIBO 算法。
ROMO 方法适用于什么场景？它是如何工作的？
ROMO 是一种推理增强的离线模型优化方法，适用于约束模型优化问题（CoMBO），其中只有部分设计空间可以优化，其余部分受环境约束。它通过检索离线数据集并聚合相关样本来提供可信的预测，然后进行梯度优化，在 CoMBO 设置中优于最先进的方法。
OpenBox 是什么？它有什么特点？
OpenBox 是一种开源的黑盒优化服务，可提高用户在自动化机器学习、工程、物理和实验设计等领域的效率和性能。它采用模块化设计和算法普适并行化等方法来优化 BBO 组件，实验证明其相对于现有系统具有更高的效能和效率。
