研究者提出两阶段在线优化框架Meta-Frieren
Start here
2026年11月6日，研究人员在 arXiv 发布成果，提出名为 Meta-Frieren 的通用两阶段在线优化框架。该框架旨在解决元学习器先挑选智能体与环境配对、随后由智能体交互获取奖励的优化问题。Meta-Frieren 提供了 UCB 风格的元层级选择准则，可使用 GP-UCB 进行实例化，并推导出了 Feel-Good Thompson Sampling 的首个高概率遗憾界。实验结果表明，该框架能有效应用于跨多个模型类的超参数优化场景。
AI-generated from reports · Updated 10 hours ago
Report timeline
Follow the reports to see different sides of the story.
- arXiv 机器学习Meta-Frieren：超越单层在线学习
研究人员提出 Meta-Frieren 通用框架，用于解决元学习器先选择智能体-环境对、再由智能体交互获取奖励的两阶段在线优化问题。该框架提供 UCB 风格的元层级选择准则，可用 GP-UCB 实例化，并推导了 Feel-Good Thompson Sampling 的首个高概率遗憾界。实验表明 Meta-Frieren 能成功应用于跨多个模型类的超参数优化。
Story heat trend
Current heat 8·Comparable peak 10（Nov 6 14:00）·Comparable change, last 24 hours–
Trends compare only the same parties observed continuously, so the scope can be narrower than current heat counts. Move the pointer or tap the chart to see hourly heat; use the left and right arrow keys on a keyboard.