本研究探讨了强化学习中的超参数优化，重点分析概率课程学习（PCL）中的高效调优。通过结合SHAP工具，研究超参数相互作用对PCL性能的影响，并提出优化搜索空间的策略，以提高超参数优化的效率和实用性。

本研究提出了一种新算法EcoSearch，旨在解决程序合成中的搜索空间膨胀问题。该算法确保计算量恒定，提高了搜索效率，并在两个经典领域中优于前代算法。

本研究提出了一种新视角，通过独立估计每帧的值，使用半最优策略将搜索空间从O(T^N)减少到O(T)，提升计算效率。实验证明，该策略在各种数据集和模型架构上能稳定高效地接近最优性能。

该研究提出了一种两阶段级联特征聚类和选择算法，通过减少搜索空间来提高分类准确率和所选特征数量。

为了解决Retrieval-Augmented Generation中的超参数优化和在线自适应的挑战，研究者提出了AutoRAG-HP框架。该框架将超参数调整问题建模为在线多臂赌博机问题，并引入了一种高效探索大搜索空间的新型两级分层多臂赌博机方法。实验结果表明，基于MAB的在线学习方法可以在具有突出的梯度搜索空间的情况下，仅使用Grid Search方法所需的API调用的约20%，实现Recall@5约0.8的结果。在更具挑战性的优化场景中，所提出的分层多臂赌博机方法优于其他基准方法。

该研究提出了一种名为LLM A*的创新框架，利用大型语言模型以人机交互的方式帮助移动体代理的路径规划。与A*和强化学习方法相比，LLM A*在搜索空间方面更高效，能够实现与A*相当的路径并优于强化学习。该框架具有潜力在协作人机任务部署中使用。

该文章提出了一种新的高性能训练免费度量标准SWAP-Score，可测量网络在输入样本上的表达能力，并与不同搜索空间和任务的实际性能强相关。SWAP-NAS在CIFAR-10和ImageNet上实现了竞争性能。

该研究提出了一种新方法来推断不同的规则集，通过在Max-Sum多样化框架下优化决策规则之间的小重叠，以及在鉴别品质和规则集多样性之间最大化加权总和，来克服联想规则指数级搜索空间的困难。该算法通过随机采样高度鉴别且重叠小的规则，并证明其拥有更好的预测能力和解释性。

该研究提出了few-shot NAS，通过多个子超级网络覆盖搜索空间的不同区域，提高一次性方法的准确性。在多项任务中，包括NasBench-201和NasBench1-shot-1上的4个基于梯度的和6个基于搜索的方法，以及ImageNet、CIFAR10和Auto-GAN上的最新水平。

该研究提出了few-shot NAS，利用多个子超级网络覆盖搜索空间的不同区域，以提高一次性方法的准确性。该方法在多项任务中表现显著，包括在NasBench-201和NasBench1-shot-1上的3个不同任务中的4个基于梯度的和6个基于搜索的方法，并在ImageNet、CIFAR10和Auto-GAN上取得最新水平。

PiZero是一种新的规划方法，能够在自主创建的抽象搜索空间中进行高层规划，并以复合或时间扩展的动作形式进行推理。该方法比之前的方法更通用，可以处理具有连续动作空间和部分可观察性的设置。在多个领域的评估中，PiZero方法优于可比较的之前方法，且无需假设访问环境模拟器。

DiffPrep是一种自动搜索适用于给定表格数据集和可微分机器学习模型的数据预处理流水线的方法。通过将搜索空间转化为连续、可微分的空间来高效求解，只需训练一次机器学习模型即可进行流水线搜索。实验结果表明，DiffPrep在18个真实数据集中有15个取得了最佳的测试准确率，并将模型的测试准确率提高了多达6.6个百分点。

该文介绍了一种新的方法，通过利用更粗粒度的原因信息表示来降低搜索空间的组合爆炸，从而减少计算时间。该方法根据信心对原因预测进行评分，并证明了方法的正确性和渐近一致性。实验结果表明该方法在合成数据和蛋白数据集上具有优越性能。

本论文介绍了PAS方法，通过构建DAG搜索空间、一步近似路径评估和贝叶斯优化来提高对抗攻击成功率。实验结果显示PAS在各种转移设置下显著提高了攻击成功率。