ALAS：用于灵活贝叶斯优化的可加性学习 Alpha 稳定内核

2026-07-22 1 阅读约1分钟阅读 Weibo Huang, Cheng Hua

arXiv:2607.18282v1 公告类型：新摘要：贝叶斯优化广泛用于昂贵的黑盒优化，但其成功通常取决于选择与目标未知结构相匹配的内核。在这项工作中，我们提出了 ALAS，这是一个由对称 $\alpha$ 稳定光谱分量构建的灵活高斯过程内核系列。通过学习稳定性参数 $\alpha$，ALAS 根据数据调整其有效平滑度，捕获平滑趋势和尖锐的不规则性。我们提出了两种参数化：ALAS（具有联合频谱调制的单个固定组件）和 ALAS-Sep（一种可分离变体，可学习维度尾部行为以提高近似可分解目标的鲁棒性）。标准基准和现实世界替代品的实验证明了在不同环境下的强大性能。

订阅66必读