알려지지 않은 제약 조건 하에서의 베이지안 최적화 (Bayesian Optimisation, BO)는 실행 가능한 영역 (feasible regions)이 작을 때 특히 까다롭습니다. 이러한 설정에서, 일반적으로 실제 목적 함수 (true objective) 및 제약 조건의 평가에만 의존하는 기존 방법들은 설계 공간 (design space)을 효율적으로 탐색하는 데 어려움을 겪습니다. 그러나 많은 실제 응용 분야에서는 초기 탐색을 지원할 수 있는 보조 데이터 소스 (auxiliary data sources, 예: 대리 모델 (surrogate models) 또는 단순화된 시뮬레이션 (simplified simulations))를 제공합니다. 이러한 잠재력에도 불구하고, 이를 제약 조건이 있는 BO에 통합하는 연구는 여전히 미개척 상태로 남아 있습니다. 우리는 평가 비용 (evaluation cost)과 정보 이득 (information gain) 사이의 균형을 맞추면서 소스 간의 상관관계 (inter-source correlation)를 포착하는, 제약 조건이 있는 Max-value Entropy Search를 확장한 일반적인 다중 소스 프레임워크 (multi-source framework)를 제안합니다. 합성 (synthetic) 및 물리 기반 (physics-based) 벤치마크 모두에서의 실험을 통해, 우리의 방법이 보조 데이터가 약하게 상관되어 있는 경우에도 실행 가능하고 최적인 솔루션을 효율적으로 식별함을 보여줍니다. 제안된 접근 방식은 기존 방법들보다 일관되게 우수한 성능을 보이며, 특히 초기 단계의 탐색에서 그러합니다.