ベイズ最適化は、評価コストが高いブラックボックス最適化問題において広く活用されている手法です。しかし、その性能は目的関数の未知の構造に適合するカーネルの選択に大きく依存しており、これが実務的な課題となってきました。本研究では、対称的なアルファ安定スペクトル成分から構築された柔軟なガウス過程カーネルファミリー「ALAS」を提案しています。 ALASの核となるアイデアは、安定性パラメータαを学習することで、データから有効な平滑性を自動的に適応させる点にあります。これにより、滑らかなトレンドと鋭い不規則性の両方を同時に捉えることが可能になります。研究では2つのパラメータ化を提示しており、まず単一の定常成分と結合スペクトル変調を持つALAS、そして各次元の裾の重さ（テール動作）を個別に学習する分離可能なバリアント「ALAS-Sep」を開発しました。特にALAS-Sepは、近似的に分解可能な目的関数に対してロバスト性を向上させるように設計されています。 標準的なベンチマークと実際の代理モデル（サロゲート）を用いた実験では、ALASは多様な設定にわたって強力で堅牢なパフォーマンスを示しています。この柔軟なカーネル設計により、ベイズ最適化がより幅広い問題クラスに対応でき、実務的な最適化タスクにおいてより信頼性の高い結果をもたらすことが期待されます。