软件学报

作者：陈泉霖，陈奕宇，霍静，曹宏业，高阳，李栋，郝建业

单位：陈泉霖，计算机软件新技术国家重点实验室(南京大学), 江苏 南京 21002311,陈奕宇，计算机软件新技术国家重点实验室(南京大学), 江苏 南京 21002302,霍静，计算机软件新技术国家重点实验室(南京大学), 江苏 南京 21002303,曹宏业，计算机软件新技术国家重点实验室(南京大学), 江苏 南京 21002304,高阳，计算机软件新技术国家重点实验室(南京大学), 江苏 南京 21002305,李栋，华为技术有限公司 诺亚方舟实验室, 广东 深圳 51812906,郝建业，华为技术有限公司 诺亚方舟实验室, 广东 深圳 51812907

关键词：高维贝叶斯优化;贝叶斯优化;黑盒优化;降维;变量选择

基金：国家自然科学基金(62192783, 62276128); 科技创新2030—“新一代人工智能”重大项目(2021ZD0113303); 中央高校基础研究基金(14380128)

贝叶斯优化是一种优化黑盒函数的技术, 高效的样本利用率使其在众多科学和工程领域中得到了广泛应用, 如深度模型调参、化合物设计、药物开发和材料设计等. 然而, 当输入空间维度较高时, 贝叶斯优化的性能会显著下降. 为了克服这一限制, 许多研究对贝叶斯优化方法进行了高维扩展. 为了深入剖析高维贝叶斯优化的研究方法, 根据不同工作的假设与特征将高维贝叶斯优化方法分为3类: 基于有效低维度假设的方法、基于加性假设的方法以及基于局部搜索的方法, 并对这些方法进行阐述和分析. 首先着重分析这3类方法的研究进展, 然后比较各类方法在贝叶斯优化应用中的优劣势, 最后总结当前阶段高维贝叶斯优化的主要研究趋势, 并对未来发展方向展开讨论.

来源：2025年第6期

《软件学报》期刊编辑部

查看软件学报杂志2025年第6期