A survey and benchmark of high-dimensional Bayesian optimization of discrete sequences

优化离散黑盒函数在几个领域中非常关键，例如蛋白质工程和药物设计。由于缺乏梯度信息和需要样本效率，贝叶斯优化是这些任务的理想选择。最近提出了几种高维连续和分类贝叶斯优化方法。然而，我们对该领域的调查显示，各种方法的实验设置高度异质，并且存在技术障碍，使得难以将已发表的算法复制到现实世界的任务中。为了解决这些问题，我们开发了一个统一的框架，用于测试各种高维贝叶斯优化方法以及代表化学和生物学实际应用领域的标准化黑盒函数集合。基准测试的这两个组成部分都由灵活、可扩展且易于扩展的软件库（poli和poli-baselines）支持，使从业人员能够轻松地纳入新的优化目标或离散优化器。项目网站：https://machinelearninglifescience.github.io/hdbo_benchmark。

基于贝叶斯优化的高维离散黑盒函数优化方法的比较研究

本文提出了一个统一的框架，用于测试大量高维贝叶斯优化方法，并提供了一套标准化的黑盒函数集合，以代表化学和生物学领域的实际应用。

本文提供了一个灵活、可扩展且易于使用的软件库，用于支持测试和比较多种高维贝叶斯优化方法。同时，还提供了一套标准化的黑盒函数集合，以代表化学和生物学领域的实际应用。

最近在这个领域中，还有一些相关研究，如“Bayesian optimization in high dimensions via random embeddings”和“Bayesian optimization with categorical and hierarchical acoustic models”。