AAAI 2026 专题教程：基于离线数据集的黑盒优化

众多科学与工程应用涉及在高维设计空间 (High-dimensional design spaces) 内优化评估代价昂贵的黑盒函数 (Black-box functions)。典型的案例包括针对候选蛋白质、分子、药物、硬件架构以及超导材料的输入空间进行设计优化。解决此类黑盒优化问题的一个有效框架是贝叶斯优化 (Bayesian optimization)：通过代理模型推荐输入并迭代地查询黑盒函数的评估结果，同时利用在线获取的输入-输出对不断提升代理模型的精度。 然而，在许多现实场景中，实验平台的搭建开销与成本极其高昂（例如通常需要昂贵材料与设备的湿实验室实验 (Wet lab experiments)），这使得在线环境下的黑盒优化变得难以实现。相比之下，更具实际意义的设定是利用现有的、预先采集的输入-输出对数据库（即离线数据集），并尝试以离线方式解决优化问题。本教程旨在对离线优化 (Offline optimization) 这一新兴领域进行全面且系统性的综述，涵盖其方法体系、理论进展、现实应用及严峻挑战。 幻灯片链接[Slides Link] 本教程的目标受众包括：

通用人工智能研究者及研究生：将学习黑盒优化在离线数据集上的基本原理、算法及主要挑战，以探索该领域的前沿方向及其现实应用。 * 工业界人工智能研究员及从业者：将学习如何应用相关知识解决实际的设计优化问题。 * 深耕科学与工程应用（如药物/疫苗设计、材料设计等）的研究者与从业者：将了解并掌握该领域的新型工具。