热点事件持续更新
研究者提出两阶段在线优化框架Meta-Frieren
1 篇报道1 个报道来源3 小时前更新
先了解这件事
AI 综述
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 根据报道生成 · 3 小时前更新
最新进展11月6日 13:00
研究者提出两阶段在线优化框架Meta-Frieren，成功应用于超参数优化。报道时间线
沿着报道，了解事件的不同侧面。
11月6日
- 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。
本事件热度走势
当前热度 9·可比范围峰值 10（11月6日 14:00）·近 24 小时可比范围变化–
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。