贝叶斯优化中的边界探索和未知物理约束

贝叶斯优化在噪声约束下有什么新的理论和方法？

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。

如何处理贝叶斯优化中先验未知的约束？

研究了具有先验未知约束的贝叶斯优化及其在优化问题中的应用，并提供了解决此类问题的通用框架，并在潜在Dirichlet分配、神经网络调整和哈密顿蒙特卡罗优化等问题中进行了有效性实证。

如何将成本约束建模为马尔可夫决策过程？

将成本约束的BO建模为约束马尔科夫决策过程(CMDP)，并开发了一个高效的滚动估计算法，以同时考虑成本和未来迭代次数。作者在超参数优化和传感器集选择中验证了他们的方法。

贝叶斯优化在深度学习中有哪些应用？

提出了一个深度学习框架，基于具有随机先验的bootstrap整合的神经体系结构，用于贝叶斯优化和连续决策。该框架能够在高维输出的情况下逼近设计变量和感兴趣数量之间的函数关系，测试表明该方法在优化轮毂叶片的形状等高度复杂的任务中具有明显的优越性。

如何自动调整贝叶斯优化中的搜索空间大小？

基于贝叶斯优化方法，提出了两种自动调整搜索空间大小的算法，并将它们应用于深度学习中的优化问题，包括超参数调优、神经网络模型训练等，取得了不错的结果。

因果贝叶斯优化如何结合约束进行优化？

提出了一种受到约束的因果贝叶斯优化方法(cCBO)，可在已知因果图中找到优化目标变量并符合某些约束条件的干预措施；提出了不同的代理模型，能够融合观察和干预数据，并捕获不同层次的效果相关性。在人工和真实世界的因果图中进行了评估，显示出快速收敛和可行性干预比例间的成功权衡。

贝叶斯优化在过程系统设计中有哪些最新进展和挑战？

概述了贝叶斯优化在下一代过程系统设计中的最新进展、挑战和机遇，并介绍了如何利用高级贝叶斯优化方法更有效地解决这些应用中的重要问题。最后，总结了提高概率模型质量、选择下一个样本点的内部优化过程以及利用问题结构提高样本效率方面的挑战和机会。

基于高斯过程的约束最大值熵搜索是什么？

提出了基于高斯过程的约束最大值熵搜索(cMES)，并表明它比其他基于熵搜索的约束优化算法在真实约束优化问题上更简单更快速。

贝叶斯优化如何考虑查询位置的不确定性？

提出了一种基于高斯过程模型及概率分布的上置信区间算法来解决Bayesian优化问题中同时考虑查询结果和查询位置不确定性的问题，并在模拟合成和真实数据等场景中对比了该算法与传统UCB算法以及其他考虑输入噪声的BO算法的实验表现。