본 논문은 제한된 검색 공간에서 비용 효율적인 베이지안 최적화(BO)를 위한 새로운 프레임워크인 제약 조건이 있는 비용 인식 다중 충실도 BO(CMFBO)를 제안합니다. CMFBO는 저렴한 저충실도 데이터 소스를 활용하여 전체 샘플링 비용을 최소화하는 동시에 실행 가능성을 보장합니다. 특히, 데이터 소스 간에 제약 조건이 변경될 수 있고 블랙박스 함수일 수 있는 상황을 고려합니다. 또한, 기존 BO의 수렴 평가와 관련된 문제를 해결하기 위해 체계적인 중지 기준을 도입합니다. 제안된 프레임워크는 GP+ Python 패키지를 통해 공개적으로 사용 가능하며, 다양한 벤치마크 문제를 통해 효과를 검증합니다.
