本研究提出了一种创新框架，结合灰狼优化器、贝叶斯优化和粒子群优化，改进传统蒙特卡洛Dropout在不确定性估计中的不足，显著提升深度学习模型在安全关键应用中的可靠性。

本研究提出了一种基于归一化流的贝叶斯优化方法（NF-BO），有效解决了现有方法中的价值差异问题。实验结果表明，该方法在分子生成任务中显著优于传统及近期的贝叶斯优化方法。

本研究提出了Graph-EQ，一种基于图神经网络的深度图生成模型，旨在解决现有方程发现方法的速度慢和过拟合问题。该模型通过无监督学习大量方程数据，有效发现真实方程，并利用贝叶斯优化探索潜在空间。

本研究提出了一种基于贝叶斯优化的框架，旨在整合众包反馈，以提升大语言模型的代码生成能力。研究表明，该方法提高了文本到代码的转换效率，并确保了高质量的人类反馈，从而实现更好的AI对齐效果。

本研究将MEDSLIK-II数值模型与贝叶斯优化结合，以改善油污泄漏轨迹模拟的参数调优。优化后，模型与卫星观测结果的一致性显著提高，平均技能分数从5.82%提升至11.07%，显示出在动态环境下的有效性。

本研究提出了一种名为BayesGenie的方法，结合大语言模型与贝叶斯优化，解决了图像生成中的内容控制和语义一致性问题。研究结果表明，该方法在编辑准确性和语义保留方面优于现有技术。

本研究提出了一种新的贝叶斯优化算法MOBONS，旨在解决现代工业系统设计中的多目标平衡问题。该算法在可持续性设计领域表现出显著的有效性和潜在影响。

本研究提出了一种将大型语言模型与贝叶斯优化相结合的新方法，以解决多变量优化中实验测量缓慢的问题。该方法通过结合随机推断和领域知识，显著提升了优化性能，并在合成基准和实际任务中验证了其有效性。

本研究提出了一种高效的在线训练算法，解决了复杂相关结构下贝叶斯优化中的高容量代理模型选择问题。该算法通过条件化与优化交替进行，显著提升了任务表现，优于高斯过程及其他贝叶斯神经网络架构。

本文探讨了潜在空间贝叶斯优化（LSBO）在降维中的应用，解决了传统方法在复杂数据处理中的不足。通过变分自编码器（VAE）改进LSBO，并首次引入顺序领域缩减（SDR），提升了贝叶斯优化的效率。

本研究提出了一种非短视的多目标优化实验设计方法，通过超体积改进提升多目标贝叶斯优化的获取函数性能，从而优化资源使用和目标达成潜力。