우리는 B-spline 커널을 Lévy Adaptive Regression Kernel (LARK) 모델에 통합한 베이지안 비모수적 (Bayesian nonparametric) 방법인 Lévy Adaptive B-spline (LABS) 회귀 모델의 점근적 특성 (asymptotic properties)을 조사합니다. LABS는 독립적으로 정의된 매듭점 (knots)을 가진 다양한 차수의 스플라인 (splines)을 적용하여, 실제 함수의 불규칙하고 국소적으로 구조화된 특징에 적응할 수 있는 유연한 모델 클래스를 생성합니다. 단변량 랜덤 디자인 (univariate random design) 및 가우시안 오차 (Gaussian errors)를 갖는 비모수적 회귀 프레임워크 내에서, 우리는 LABS 사후 분포 (posterior)가 알려지지 않은 매끄러움 (smoothness)에 자동으로 적응하면서, 로그 인자 (logarithmic factor)를 제외하면 거의 미니맥스 최적 (minimax-optimal) 속도로 Besov 클래스의 실제 함수 주변으로 수축함을 입증합니다. 본 연구는 Besov 공간에서 LARK 모델의 사후 수축에 관한 이론적 결과가 여전히 부족한 문헌상의 공백을 메우는 데 기여합니다. Blocks, Bumps, HeaviSine, Doppler를 포함한 Besov 공간의 표준 테스트 함수에 대한 시뮬레이션 실험은 이론적 결과를 보완하며 LABS의 실용적 유용성을 입증합니다.