본 연구는 Pareto Front Guided Sampling (PFGS)의 확장판을 제시합니다. 이는 Gaussian process (GP) 대리 모델(surrogate)에서 유도된 수치들을 다목적 최적화 문제(multi-objective optimization problem)의 목적 함수로 재구성하고, 그 결과로 도출된 파레토 프런트(Pareto front)를 단일 자동 추천 대신 도메인 전문가에게 노출하여 대화형 후보 선택을 수행하는 인간 참여형 (Human-in-the-Loop, HitL) 베이지안 최적화 (Bayesian Optimization, BO) 프레임워크입니다. 이 프레임워크는 두 가지 방향으로 확장되었습니다. 첫째, 제약 최적화 (constrained optimization)는 출력 사양 한계를 충족할 사후 확률 (posterior probability)을 명시적인 파레토 목적 함수로 포함함으로써 해결되며, 이는 GP 사후 분포 (GP posterior distribution)로부터 분석적으로 계산됩니다. 둘째, 강건 최적화 (robust optimization)는 사용자가 정의한 입력 섭동 (input perturbations)의 변동성 범위 내에서 기대되는 하한 성능 (expected lower-confidence performance)을 추정하는 몬테카를로 샘플링 (Monte Carlo sampling) 전략을 통해 해결되며, 이를 통해 실제 구현 시 발생할 수 있는 편차 하에서의 성능 저하를 포착합니다. 결과적으로 생성된 다차원 파레토 표현은 대화형 대시보드 상의 쌍별 2차원 투영 (pairwise two-dimensional projections)을 통해 예측 성능, 모델 불확실성 (model uncertainty), 확률적 제약 충족 (probabilistic constraint satisfaction), 그리고 입력 강건성 (input robustness) 사이의 트레이드오프 (trade-offs)를 동시에 시각화하며, 대리 모델이 개선되고 개발 목표가 진화함에 따라 선택 기준을 반복적으로 정교화할 수 있게 합니다. 본 프레임워크는 8차원 유가 배양 (fed-batch) 중국 햄스터 난소 (Chinese Hamster Ovary, CHO) 세포 배양 시뮬레이터에서 시연되었으며, 이를 통해 높은 성능을 내면서도 제약 조건을 준수하고 섭동에 탄력적인(perturbation-resilient) 운전 조건을 체계적으로 식별할 수 있음을 보여주었습니다. 또한 전문가가 정의한 요구 사항이 어떻게 원칙적인 중단 기준 (stopping criterion)을 제공하고 실험 자원의 정보에 기반한 배분을 지원하는지 입증하였습니다.