本研究提出了一种新颖的超参数优化方法，通过引入训练层数作为保真度来源，显著节约了计算和内存资源，推动了多保真度超参数优化算法的发展。

本研究提出了一种多保真度强化学习框架，旨在解决复杂动态系统控制的不稳定性问题。通过结合差分混合模型与有限的高保真数据，显著提高了学习效率，并表现出优于其他方法的性能。

本文介绍了一种基于最大值熵搜索的多保真度贝叶斯优化方法（MF-MES），该方法通过熵的考虑简化了计算，并解决了信息熵估计问题。同时，文章提出了MF-MES的并行化方案，并通过实验验证了其在材料科学等领域的有效性。

本文介绍了一种基于最大值熵搜索的多保真度贝叶斯优化方法（MF-MES），通过优化函数值的熵来简化计算，并提出了并行化方案。研究探讨了贝叶斯优化在材料发现中的应用，利用低保真数据提升性能，并评估其在化学发现中的有效性，显示出显著的发现效率提升。

本研究提出了一种多保真度贝叶斯优化框架，旨在优化学习控制系统中的虚假判定问题。该方法高效识别违反安全要求的反例，并在不同精度的模拟器之间转换，实验证明其在反例检测中的计算效率优于全保真度优化和其他方法。

本文介绍了一种基于最大值熵搜索的多保真度贝叶斯优化方法（MF-MES），通过优化函数值的熵简化计算，并提出了并行化方案。研究表明，该方法在材料科学数据集上表现良好。此外，文章探讨了利用专家假设加速化学空间的贝叶斯搜索，提出了HypBO方法，显著提升了搜索性能。

该研究提出了一种多保真度的设计探索策略，通过Hyperband方法改善协同设计中控制器学习的样本效率，并将学习到的控制器与设计空间相结合，以warm-start新的控制器学习问题。实验结果表明，该方法在广泛的代理设计问题上比基准方法更为优越，同时还呈现出设计简化和非直观设计改变等有趣的设计变化。