论文： High Dimensional Bayesian Optimization and Bandits via Additive Models

[!tldr] 本篇导读
本篇是一个非常经典的高维 BO 作品 ¹，也根植于统计学思维，读本篇论文的目的和想法有几个：

1. HDBO (High-Dimensional Bayesian Optimization) 仍然是具有很多问题的领域，同时也有很多高维统计的工具可供借鉴；
2. 本篇是高维 BO 的一个重要会议论文 (ICML)，引用量在 Web of Science 上有 230 左右，在没那么热门的 BO 领域当中已经算很高了.
3. 本篇适合我们衔接之前的 GP-UCB 方法，同时也和 Hastie 等大佬提出的 Generalized Additive Models ² 做到了 A+B ，所以对于统计背景的研究者而言，这篇的很多想法值得借鉴.

本篇的主要内容是提出了使用加性模型对付高维贝叶斯优化问题的思路，并在此基础上给出了 Add-GP-UCB 方法.

- 阅读剩余部分 -

GP-UCB 算法

本 Notebook 主要是为 GP-UCB 算法的代码提供一个范例，这里使用了 Beale 函数作为 Benchmark ，并且后文当中有相对丰富的图像展示了 GP-UCB 算法的性能。

- 阅读剩余部分 -

组会找了一篇 ICML 的贝叶斯优化相关论文，主要集中探究的主题是：对于 GP-BO ，输入数据集既有分类变量又有连续变量的时候，应该如何处理？这也是 Mixed Search Space 方向，也算是 BO 当中目前仍在解决的领域。希望自己能有朝一日也在 ICML 这种顶会上发论文。💪

- 阅读剩余部分 -

《贝叶斯统计》韦来生教材绪论学习笔记，包括习题的部分答案。

- 阅读剩余部分 -