Naukowcy opracowali nową strategię optymalizacji wielocelowej Bayesowskiej, która dzieli proces wyszukiwania na dwa oddzielne etapy zamiast próbować osiągać konwergencję i dywersyfikację jednocześnie. W pierwszej fazie metoda CTD skupia się na zbliżeniu się do frontu Pareto - poszukiwanego zestawu optymalnych rozwiązań - starając się szybko skierować wyszukiwanie w kierunku konkretnego punktu na froncie. W drugiej fazie algorytm zmienia cel i zmaksymalizuje rozprzestrzenienie rozwiązań wzdłuż całego frontu Pareto.
Tradicyjne metody optymalizacji wielocelowej Bayesowskiej starają się równocześnie dobrze aproksymować cały front Pareto - kombinując zbliżanie się do niego z jednoczesnym utrzymywaniem różnorodności rozwiązań. To działa dobrze gdy mamy dużo budżetu obliczeniowego, ale przy ograniczonej liczbie prób może być nieefektywne. Stanowi to rzeczywisty problem w praktyce, gdzie testowanie każdego kandydata jest drogie i czasochłonne.
Propozycja CTD to eleganckie rozwiązanie dla scenariuszy z wąskim budżetem: najpierw trzeba znaleźć przynajmniej jeden dobry punkt na froncie Pareto, dopiero potem można go rozszerzać. Badacze pokazali, jak zaimplementować to podejście, używając popularnych funkcji akwizycji znanych z Bayesowskiej optymalizacji. To podejście może wyraźnie poprawić efektywność optymalizacji eksperymentów, obliczeń inżynierskich i innych procesów wymagających testowania wielu kosztownych funkcji z konkurencyjnymi celami.