标签
提出 acquisition function-guided generation (AFGG) 方法，通过将采集函数倾斜的分布嵌入扩散桥，在离散空间上结合预训练生成模型与数据空间代理模型进行贝叶斯优化；在分子设计基准上，基于流的变体在多数场景中超越现有最优方法。
本文评估了大语言模型能否充当昂贵工程仿真器的校准代理，发现物理标注提示可将早期校准误差降低至原来的1/22，但其优势在约十次运行后消失，因此采用混合式热启动加数值优化器的工作流仅需9次运行即可达到目标精度，而Nelder-Mead方法需要17次。
提出 FGSS-BO，一种基于反馈引导搜索状态（FGSS）的结构化假设管理框架，将 LLM 的语言引导与可观测证据和可执行参数干预相连接，用于贝叶斯优化，在 LLAMBO 基准上取得更高的搜索性能。
提出了 ELF-BO 算法，利用目标函数评估的等待时间提前从超参数后验中采样，仅在观测到目标值后重新加权，从而以标准 BO 的决策延迟实现完全贝叶斯优化。在合成函数和真实应用中，ELF-BO 匹配完全贝叶斯方法的性能且延迟更低。
该论文提出一种车辆集成的数字孪生框架，通过驱动感知（drive-by sensing）实现桥梁结构健康监测，结合傅里叶神经算子代理模型、贝叶斯优化的传感器设计以及无监督损伤评估，并在澳大利亚和日本的多站点现场试验中完成验证。
Google Cloud AI Research 的研究人员提出了 AIM（Agentic Idea Management），这是一个将研究想法组织成簇、评估其前景并安排探索/利用实验的框架，其中包含方案审计器和资源规划器，并报告了在 AutoLab 任务上相对于 ScientistOne 的性能提升。
Google Cloud AI Research 推出了 AIM（Agentic Idea Manager），这是一个以想法为驱动的自动化研究自主框架。它采用 Agentic Surrogate 和 Agentic Acquisition（灵感来自贝叶斯优化）来组织和筛选研究想法，并通过 Solution Auditor 和 Resource Planner 维持想法与解决方案的一致性以及分配实验预算。AIM 的表现最多比最强的 AutoLab 基线高出 4.9 个百分点，并且最高可提前 3.1 倍达到基线性能。
本文介绍了一种分层贝叶斯优化框架，用于优化机载多智能体系统体系，并应用于森林灭火，以提高在复杂设计空间中的搜索效率和鲁棒性。
本文介绍 HACK GPs，这是一种使用专家建议在线学习的方法，用于高斯过程中的核选择，增强在序贯决策任务（如贝叶斯优化和主动学习）中的鲁棒性。
该论文提出了一种快速的贝叶斯优化方法，用于从头发现，通过利用潜在空间中的线性模型，实现了超过现有方法100倍以上的加速，同时保持性能。
本文介绍了使用LLMs将丰富的辅助信息整合到贝叶斯优化中的方法，展示出在基准测试和类似核聚变的实际任务中，优于标准和现有的基于LLM的方法。
本技术说明介绍了一种用于优化关键材料回收的决策导向主动学习方法，表明在自动化实验室工作流中，自适应策略能够以比非自适应方法更少的实验实现最大富集。
本文提出了有限库输入扭曲贝叶斯优化（FLIWBO），它从有限库中选择输入扭曲以适应输入几何形状，从而提高优化效率，同时保持高概率收敛保证，在多个基准测试中优于标准GP-UCB。
本文提出SBOCF，一种用于材料表征中基于图像反问题的可扩展贝叶斯优化方法，展示了在从电子显微镜数据进行参数估计时提高效率和准确性。
本文提出了一种针对 Product-of-Experts 高斯过程模型的校准方法，用于修正过高估计的后验方差，增强不确定性量化能力，并提高对大型数据集的可扩展性。
本文介绍了GRAPE，这是一个用于查询高效的高维贝叶斯优化的两阶段框架，通过优化梯度后验并基于预期进展选择更新方向，在对抗性攻击和大语言模型提示优化中展示了优越的性能。
本文介绍了TTARO，一种在线深度核贝叶斯优化框架，它利用已评估的优值标签在测试时自适应电路表示。它提高了模拟电路拓扑搜索的样本效率，与标准贝叶斯优化相比，遗憾曲线下面积（regret AUC）减少了15.2%，与固定深度核学习相比减少了20.7%。
本文介绍了SABLE，一个开源的智能体框架，利用自然语言编排与大语言模型（LLM）来引导药物发现中受合成约束的多目标先导化合物优化，整合了反应模板化类似物枚举、性质预测和贝叶斯优化。
This paper introduces KappaSharp, a method for condition-number shaping in Preferential Bayesian Optimization that corrects the ill-conditioned Hessian from isolated pairwise comparisons, showing up to +10.9% improvement over the standard PairedGP/EUBO baseline on 11 benchmarks including plasma medicine controller tuning.
本文探讨了多保真贝叶斯优化问题，其中最高保真函数因代价过高而无法纳入优化循环，并提出了结合历史高保真数据与任务描述符的方法。该方法在合成函数、化学以及超参数优化任务上得到了验证。