Este artigo explora a variância posterior inflacionada perto da fronteira em processos Gaussianos, identificando a truncagem do bairro de correlação do kernel como a causa principal. Demonstra como essa distorção geométrica afeta o comportamento de aquisição, independentemente da função objetivo, e se agrava com a dimensionalidade.
O artigo explora a Otimização Bayesiana para problemas de otimização caros e não convexos com simetrias. Ele propõe uma abordagem invariante à permutação baseada em Transporte Ótimo, aplicada especificamente ao projeto de layouts de parques eólicos offshore.
Esta pesquisa introduz a Otimização Bayesiana por Região de Confiança Guiada por Memória (MG-TuRBO) para resolver problemas de otimização caros e de alta dimensão, como a calibração de simulações de tráfego. O estudo compara o desempenho do MG-TuRBO com outros métodos de otimização Bayesiana e algoritmos genéticos em cenários reais de tráfego.
Este artigo apresenta a Otimização Bayesiana Meta com Intervenção Humana (HL-MBO), uma estrutura que integra conhecimento especializado com aprendizado de máquina few-shot para acelerar descobertas em domínios científicos com poucos dados. Demonstra-se que o HL-MBO supera os métodos atuais de otimização bayesiana na otimização do rendimento da energia de fusão e em outros benchmarks.
O artigo apresenta ReElicit, uma estrutura de otimização Bayesiana baseada em "embedding por elicitação" para ajustar prompts de sistema em IA. Ele utiliza LLMs para criar um espaço de recursos interpretável e um substituto de processo Gaussiano para selecionar e refinar prompts com base em feedback agregado.