本研究提出了一种基于图的全局优化框架，解决带有非凸正则化函数的统计模型参数估计问题。该方法通过构建强凸松弛，确保收敛到全局最优，并在稀疏线性回归中展示了有效性。

本研究提出了一种高效的高斯过程汤普森采样优化策略，通过一维全局根查找识别局部最优点，并利用可微分解耦表示优化后验样本，提升高维全局优化能力，增强贝叶斯优化表现。

本文介绍了自然进化策略（NES）算法，一种黑盒优化方法，通过维护参数化的分布来求解更高预期的适应度值。解决了收敛、稳健性、样本复杂度、计算复杂度和对超参数的敏感性等问题，并探讨了多种实现方式。实验结果显示，NES在全局优化和高维空间搜索方面表现良好。

本研究提出了一种扩展解决方案，使用基于超平面的决策树建模非线性约束，并利用其他可转化为MIO的机器学习模型逼近原问题，采用自适应采样方法获得更准确的约束近似，利用鲁棒优化考虑样本依赖性训练的不确定性，并使用松弛方法处理MIO近似的不可行性。在81个全局优化实例中测试了增强的框架，并与BARON进行了比较，在11个实例中显示了更好的最优间隙或解决时间。

该研究证明了深度神经网络在多标签分类任务中存在神经折叠现象，并发现了多标签学习中的“标签平均”组合属性，建立了全局优化结果和训练效率的实证证据。

该文介绍了一种解决符号回归问题的方法，采用参数化函数族和全局优化的方式，将离散问题转化为连续优化问题。作者证明了该方法在常见符号回归基准测试中取得了最先进的结果。