待验证50% 置信事实精确时间

当参数空间从有限维推广到无限维函数空间时，最大化采集函数的内层优化问题变得既无法穷举搜索也难以直接应用梯度下降

1

来源数

50%

置信度

长期有效

时效性

2026/10/8

首次发现

来源

函数空间上的贝叶斯优化：L0MO方法解析

涉及实体

Functional Bayesian Optimizationconcept acquisition functionconcept

相关事实

待验证函数空间中的泛函梯度是无限维对象，无法在计算机中精确存储和计算，实践中必须做近似处理77% 相似待验证约束满足问题（CSP）揭示完全无约束的搜索空间往往导致计算爆炸或平庸解，而适度约束能引导搜索走向有价值区域75% 相似待验证无梯度方法样本效率低，在高维参数空间中缺乏梯度指引意味着需要海量函数评估才能收敛75% 相似待验证专用小模型的局限在于任务边界模糊、需要跨领域推理或处理未见边缘情况时泛化能力会迅速下降74% 相似待验证深度学习面对的几乎都是非凸优化问题，在高维参数空间中鞍点比局部极小值更常见72% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/986386

API

curl https://kongchang.com/api/v1/knowledge/claims/986386

MCP

get_claim(id=986386)