本文探讨了多臂赌博机中的遗憾下界问题，提出了基于不同情境的紧密下界，特别是在强可观测无向反馈图和敌对情境下的算法改进。同时，研究了延迟反馈的多臂老虎机问题，提出新算法以降低对上界的要求，并展示了算法在多种应用场景中的有效性。

该文综述延迟反馈下的赌博与凸优化研究，提出DEXP3、DBGD等算法，在未知或非遗忘延迟下实现O(T^{2/3})等遗憾界，并给出投影算法、在线牛顿法及下界结果。

该文综述延迟反馈下的在线凸优化研究，涵盖非平稳环境任意延迟、对抗性延迟、多臂赌博延迟、异步分布式优化、长期约束、多步切换成本及差分隐私等场景，提出DOGD、DEXP3、DBGD、RCL等算法，并给出动态遗憾与竞争比的理论保证。

本文综述贝叶斯优化进展，涵盖扩展SnAKe算法（兼顾实验成本与输入变化成本）、基于随机先验bootstrap集成的深度学习框架（高维输出优化）、仅需采样后验预测的SBBO方法（组合与离散空间）、随机延迟反馈的子线性遗憾算法、ROBOT（排序与信任区间寻找多样高性能解），以及输入不确定性多目标优化、自适应线性化、ColaBO先验整合和MVaR方法。