热点事件持续更新
研究者提出用于PFN贝叶斯优化的ATR变形方法
1 篇报道1 个报道来源6 小时前更新
先了解这件事
AI 综述
2026年10月30日，研究人员在 arXiv 发布研究，提出各向异性信任域（ATR）变形方法。该方法旨在解决先验数据拟合网络（PFN）在贝叶斯优化中的先验尺度不匹配问题，且整个过程无需重新训练网络。具体实现上，该方法通过核目标对齐来估计各维度的长度尺度并进行仿射重缩放，不仅保持了原有的 $\mathcal{O}(d \cdot N^2)$ 推理成本，还在 Matérn-3/2 核函数处于极端长度尺度时显著提升了优化性能。目前，该研究的相关代码已开源公开。
AI 根据报道生成 · 3 小时前更新
最新进展10月30日 12:00
研究者提出ATR变形方法纠正PFN先验尺度不匹配，相关代码已开源。报道时间线
沿着报道，了解事件的不同侧面。
10月30日
- arXiv 机器学习面向贝叶斯优化中先验数据拟合网络（PFN）的各向异性信任域变形
研究人员提出各向异性信任域（ATR）变形方法，无需重新训练即可纠正先验数据拟合网络（PFN）在贝叶斯优化中的先验尺度不匹配问题。该方法通过核目标对齐估计各维度长度尺度并进行仿射重缩放，在保持 $\mathcal{O}(d \cdot N^2)$ 推理成本不变的同时，提升了 Matérn-3/2 核函数极端长度尺度下的优化表现，代码已开源公开。
本事件热度走势
当前热度 8·可比范围峰值 9（10月30日 15:00）·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。