論文の概要: Bayesian Optimization of Functions over Node Subsets in Graphs

• arxiv url: http://arxiv.org/abs/2405.15119v1
• Date: Fri, 24 May 2024 00:24:55 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-27 18:38:12.490414
• Title: Bayesian Optimization of Functions over Node Subsets in Graphs
• Title（参考訳）: グラフにおけるノードサブセット上の関数のベイズ最適化
• Authors: Huidong Liang, Xingchen Wan, Xiaowen Dong,
• Abstract要約: グラフ上での最適化のための新しいフレームワークを提案する。 元のグラフの各$k$-nodeを、新しいグラフのノードにマップします。 人工環境と実環境環境の両方における実験により,提案したBOフレームワークの有効性が示された。
• 参考スコア（独自算出の注目度）: 14.670181702535825
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We address the problem of optimizing over functions defined on node subsets in a graph. The optimization of such functions is often a non-trivial task given their combinatorial, black-box and expensive-to-evaluate nature. Although various algorithms have been introduced in the literature, most are either task-specific or computationally inefficient and only utilize information about the graph structure without considering the characteristics of the function. To address these limitations, we utilize Bayesian Optimization (BO), a sample-efficient black-box solver, and propose a novel framework for combinatorial optimization on graphs. More specifically, we map each $k$-node subset in the original graph to a node in a new combinatorial graph and adopt a local modeling approach to efficiently traverse the latter graph by progressively sampling its subgraphs using a recursive algorithm. Extensive experiments under both synthetic and real-world setups demonstrate the effectiveness of the proposed BO framework on various types of graphs and optimization tasks, where its behavior is analyzed in detail with ablation studies.
• Abstract（参考訳）: グラフ内のノード部分集合上で定義された関数を最適化する問題に対処する。 そのような関数の最適化は、組み合わせ、ブラックボックス、そして高価な評価の性質を考えると、しばしば非自明な作業である。 様々なアルゴリズムが文献で紹介されているが、その多くはタスク固有か計算的に非効率的であり、関数の特性を考慮せずにグラフ構造に関する情報のみを利用する。 これらの制約に対処するために、サンプル効率の良いブラックボックスソルバであるベイズ最適化(BO)を用い、グラフ上での組合せ最適化のための新しいフレームワークを提案する。 より具体的には、元のグラフの各$k$-nodeサブセットを新しい組合せグラフのノードにマッピングし、局所モデリングアプローチを採用して、再帰的アルゴリズムを用いてそのサブグラフを段階的にサンプリングすることで、後者のグラフを効率的にトラバースする。 各種グラフおよび最適化タスクにおけるBOフレームワークの有効性を総合的に検証し,その挙動をアブレーション研究により詳細に解析した。

関連論文リスト

• Optimal Partial Graph Matching [2.4378101048225735]
  最適部分移動にインスパイアされた部分グラフマッチングのための新しいフレームワークを提案する。 提案手法は, 偏りを取り入れつつ部分的代入を可能にする目的を定式化したものである。 ハンガリーのアルゴリズムを用いて、立方的時間複雑性を伴う効率的で正確な解を求める。
  論文  参考訳（メタデータ） (2024-10-22T05:56:57Z)
• Graph Parsing Networks [64.5041886737007]
  本稿では,効率的なグラフ解析アルゴリズムを提案する。 結果として得られるグラフパーシングネットワーク(GPN)は、個々のグラフに対してパーソナライズされたプーリング構造を適応的に学習する。
  論文  参考訳（メタデータ） (2024-02-22T09:08:36Z)
• Bayesian Optimisation of Functions on Graphs [33.97967750232631]
  一般,大規模,潜在的に未知のグラフ上で定義された関数を最適化する新しいベイズ最適化フレームワークを提案する。 グラフ上の適切なカーネルの学習を通じて、我々のフレームワークは対象関数の振る舞いに適応する利点がある。 局所モデリング手法は,提案手法の効率性をさらに保証する。
  論文  参考訳（メタデータ） (2023-06-08T15:50:35Z)
• Optimality of Message-Passing Architectures for Sparse Graphs [13.96547777184641]
  スパース設定における特徴デコレーショングラフ上のノード分類問題、すなわちノードの期待次数がノード数で$O(1)$である場合について検討する。 局所ベイズ最適性(英語版)と呼ばれるノード分類タスクに対するベイズ最適性(英語版)の概念を導入する。 最適なメッセージパッシングアーキテクチャは,低グラフ信号のレギュレーションにおける標準と高グラフ信号のレギュレーションにおける典型とを補間することを示す。
  論文  参考訳（メタデータ） (2023-05-17T17:31:20Z)
• Optimal Propagation for Graph Neural Networks [51.08426265813481]
  最適グラフ構造を学習するための二段階最適化手法を提案する。 また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
  論文  参考訳（メタデータ） (2022-05-06T03:37:00Z)
• Effective and efficient structure learning with pruning and model averaging strategies [9.023722579074734]
  本稿では,2つの新しい手法と丘登り探索を組み合わせたBN構造学習アルゴリズムについて述べる。 アルゴリズムは探索空間グラフをプルーニングすることから始まり、プルーニング戦略をプルーニング戦略のアグレッシブバージョンと見なすことができる。 そして、ヒルクライミング探索プロセスで平均化を行い、目的関数を最大化する近隣グラフに移動する。
  論文  参考訳（メタデータ） (2021-12-01T10:35:34Z)
• Bayesian Algorithm Execution: Estimating Computable Properties of Black-box Functions Using Mutual Information [78.78486761923855]
  多くの現実世界では、T関数の評価の予算を考えると、高価なブラックボックス関数 f の性質を推測したい。 本稿では,アルゴリズムの出力に対して相互情報を最大化するクエリを逐次選択する手法InfoBAXを提案する。 これらの問題に対してInfoBAXは、元のアルゴリズムで要求されるより500倍少ないクエリをfに使用する。
  論文  参考訳（メタデータ） (2021-04-19T17:22:11Z)
• High-Dimensional Bayesian Optimization via Tree-Structured Additive Models [40.497123136157946]
  変数の重複部分集合を持つ低次元関数を合成して高次元目標関数をモデル化する一般化加法モデルを検討する。 私たちの目標は、必要な計算リソースを減らし、より高速なモデル学習を促進することです。 我々は,合成関数と実世界のデータセットに関する様々な実験を通して,本手法の有効性を実証し,議論する。
  論文  参考訳（メタデータ） (2020-12-24T03:56:44Z)
• Deep Reinforcement Learning of Graph Matching [63.469961545293756]
  ノードとペアの制約下でのグラフマッチング(GM)は、最適化からコンピュータビジョンまでの領域におけるビルディングブロックである。 GMのための強化学習ソルバを提案する。 rgmはペアワイズグラフ間のノード対応を求める。 本手法は,フロントエンドの特徴抽出と親和性関数学習に焦点をあてるという意味において,従来のディープグラフマッチングモデルと異なる。
  論文  参考訳（メタデータ） (2020-12-16T13:48:48Z)
• Graph Pooling with Node Proximity for Hierarchical Representation Learning [80.62181998314547]
  本稿では,ノード近接を利用したグラフプーリング手法を提案し,そのマルチホップトポロジを用いたグラフデータの階層的表現学習を改善する。 その結果,提案したグラフプーリング戦略は,公開グラフ分類ベンチマークデータセットの集合において,最先端のパフォーマンスを達成できることが示唆された。
  論文  参考訳（メタデータ） (2020-06-19T13:09:44Z)
• Wasserstein-based Graph Alignment [56.84964475441094]
  我々は,より小さいグラフのノードと大きなグラフのノードをマッチングすることを目的とした,1対多のグラフアライメント問題に対する新しい定式化を行った。 提案手法は,各タスクに対する最先端のアルゴリズムに対して,大幅な改善をもたらすことを示す。
  論文  参考訳（メタデータ） (2020-03-12T22:31:59Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。