Apache TVM 是一个支持 CPU、GPU 和加速芯片的深度学习编译框架。它允许将外部张量函数与 TVM 流水线结合，并支持黑盒函数调用。用户可以通过 te.extern 添加外部函数，以灵活混合自定义代码。

本文探讨了基于模型的离线优化（MBO）问题，提出了保守目标模型（COMs）和离线模型优化设计编辑（DEMO）等新方法，旨在通过学习生成模型和优化策略提高优化性能。研究表明，这些方法在多个基准测试中表现优异，尤其在复杂的黑盒函数优化中具有显著优势。

模拟基于贝叶斯优化（SBBO）是一种针对组合空间和离散变量的黑盒函数优化新方法。该方法通过不同的代理模型展示了在组合优化中的有效性，并结合多臂老虎机技术和在线变分条件方法，提升了黑盒优化性能。此外，改进的深度学习框架和粒子优化框架有效解决了高维优化问题，提高了贝叶斯抽样的效率和可伸缩性。

本文探讨了在线学习中的后悔最小化和安全约束的广义元算法，提出了一种基于高斯过程的优化算法，具有渐近最优的遗憾保证，并降低了计算复杂度。同时，研究了黑盒函数的顺序优化和安全策略的改进，提出了新的算法框架，以确保在不准确动态下的性能。

本文介绍了一种适应性算法CUQB，旨在高效解决昂贵黑盒函数的全局优化问题，表现优于传统贝叶斯优化。同时，提出了改进的准牛顿方法和SBQR技术，增强了优化算法的收敛性和鲁棒性，适用于多种优化场景。

本文提出了一种二阶段优化框架SL-Diff，通过源接近度生成粗略预测，并改进多对一映射关系，以解决反问题的不适定性。实验结果表明，SL-Diff在合理的采样时间内能够提供优异的预测。此外，针对黑盒函数优化，提出了一种新算法来处理不确定性，验证了其相对于先进技术的优势。

GTBO是一种通过组合测试的方法来优化高维黑盒函数的算法，可在多个任务上与最先进的方法相竞争，并有助于发现应用中的活跃参数。