Zespół badaczy przedstawił ALAS, elastyczną rodzinę jąder dla Gaussian Process, które automatycznie dostosowują się do struktury optymalizowanego problemu. Problem klasycznej optymalizacji bayesowskiej polega na tym, że jej sukces zależy od wyboru odpowiedniego jądra, a struktura funkcji celu jest z góry nieznana. ALAS rozwiązuje to zagadnienie poprzez komponenty spektralne alpha-stabilne, których kluczową cechą jest możliwość uczenia się parametru alfa - dzięki temu jądro dynamicznie dostosowuje swoją efektywną gładkość na podstawie danych.
Proponowane rozwiązanie oferuje dwie główne parameteryzacje. Wariant podstawowy ALAS wykorzystuje pojedynczy komponent stacjonarny ze wspólną modulacją spektralną, co pozwala na bardziej uniwersalne podejście. Alternatywnie ALAS-Sep wprowadza separowalną wersję, która uczy się zachowania ogonów rozkładu wymiar po wymiarze, co znacznie poprawia robustność na celach przybliżalnie rozkładalnych - czyli takich, które można rozłożyć na mniej złożone podproblemy.
Wydajność nowej metody testowano na standardowych benchmarkach oraz rzeczywistych surogatach, czyli modelach zastępczych dla kosztownych funkcji. Wyniki pokazują konsekwentnie silną i robustną wydajność w różnych scenariuszach. To podejście ma potencjał szczególnie w przypadkach, gdzie funkcje celu wykazują zmieniającą się gładkość - mogą być jednocześnie gładkie w jednych obszarach i nieregularne w innych.