Skip to content
Hot eventLive

L0MO：基于稀疏RKHS流形的函数空间贝叶斯优化

1 reports1 sources3 hr ago updated

Get the story

AI overview

2026年10月7日，arXiv Statistics Machine Learning 频道发布论文，提出 L^0 Manifold Optimization（L0MO），一种面向函数空间贝叶斯优化（Functional Bayesian Optimization）的方法。该方法在再生核希尔伯特空间（RKHS）中搜索由核函数稀疏表示构成的子空间，同时优化核位置与系数。这是目前该事件唯一一篇报道，尚未见后续验证或讨论。

Generated from reports · updated 3 hr ago

LatestOct 7
arXiv 发布 L0MO 论文，提出在 RKHS 稀疏核表示子空间中同时优化核位置与系数的函数空间贝叶斯优化方法。

Timeline

Follow the coverage from different angles.

Oct 7, 2026
  1. arXiv · Statistics Machine Learning
    基于稀疏 RKHS 流形的函数空间贝叶斯优化

    论文提出 L^0 Manifold Optimization（L0MO），一种面向 Functional Bayesian Optimization 的方法，在再生核希尔伯特空间（RKHS）中搜索由核函数稀疏表示构成的子空间，同时优化核位置与系数。

Heat trend

Current heat 9·Comparable peak 10（Oct 7）·Comparable change over 24 hours –

02.557.510Oct7Oct7Oct7Oct7

The trend compares only the same participants observed continuously; its range may be smaller than the current heat count. Move or click on the chart to inspect hourly heat; use the left and right arrow keys to switch.