論文の概要: Graph Random Features for Scalable Gaussian Processes
- arxiv url: http://arxiv.org/abs/2509.03691v1
- Date: Wed, 03 Sep 2025 20:13:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-05 20:21:09.961847
- Title: Graph Random Features for Scalable Gaussian Processes
- Title（参考訳）: スケーラブルガウスプロセスのためのグラフランダム機能
- Authors: Matthew Zhang, Jihao Andreas Lin, Adrian Weller, Richard E. Turner, Isaac Reid,
- Abstract要約: 離散入力空間上のスケーラブルなガウス過程へのグラフランダム特徴(GRF)の適用について検討する。
我々は、(穏やかな仮定の下で) GRF に対するベイズ的推論が、正確なカーネルに対して$O(N3)$のノード数に対して$O(N3/2)$の時間複雑性を楽しむことを証明した。
- 参考スコア（独自算出の注目度）: 52.261715704159315
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We study the application of graph random features (GRFs) - a recently introduced stochastic estimator of graph node kernels - to scalable Gaussian processes on discrete input spaces. We prove that (under mild assumptions) Bayesian inference with GRFs enjoys $O(N^{3/2})$ time complexity with respect to the number of nodes $N$, compared to $O(N^3)$ for exact kernels. Substantial wall-clock speedups and memory savings unlock Bayesian optimisation on graphs with over $10^6$ nodes on a single computer chip, whilst preserving competitive performance.
- Abstract（参考訳）: 最近導入されたグラフノードカーネルの確率的推定器であるグラフランダム特徴(GRF)の離散入力空間上のスケーラブルなガウス過程への応用について検討した。
我々は、(穏やかな仮定の下で) GRF に対するベイズ予想が、正確なカーネルに対して$O(N^3)$に対して$O(N^{3/2})$時間複雑性を持つことを証明している。
実質的なウォールクロックのスピードアップとメモリセーブにより、ベイジアン最適化は1つのコンピュータチップ上で10^6$以上のノードを持つグラフ上で実現され、競争性能は保たれる。
関連論文リスト
- Optimal Time Complexity Algorithms for Computing General Random Walk Graph Kernels on Sparse Graphs [14.049529046098607]
スパースグラフに対する一般ランダムウォークカーネル(RWK)の非バイアス近似のための最初の線形時間複雑性ランダム化アルゴリズムを提案する。
提案手法は,大規模グラフ上での効率的な計算において,最大$mathbf27timesの高速化を実現する。
論文 参考訳（メタデータ） (2024-10-14T10:48:46Z) - General Graph Random Features [42.75616308187867]
重み付き隣接行列の任意の関数の偏りのない推定のためのランダムウォークに基づく新しいアルゴリズムを提案する。
提案アルゴリズムは, ノード数に関して, グラフカーネル評価の厳密な3次スケーリングを克服し, 準四次時間的複雑性を享受する。
論文 参考訳（メタデータ） (2023-10-07T15:47:31Z) - On Convergence of Incremental Gradient for Non-Convex Smooth Functions [63.51187646914962]
機械学習とネットワーク最適化では、ミスの数と優れたキャッシュを最小化するため、シャッフルSGDのようなアルゴリズムが人気である。
本稿では任意のデータ順序付けによる収束特性SGDアルゴリズムについて述べる。
論文 参考訳（メタデータ） (2023-05-30T17:47:27Z) - Graph Neural Network Bandits [89.31889875864599]
グラフ構造データ上で定義された報酬関数を用いた帯域最適化問題を考察する。
この設定の主な課題は、大きなドメインへのスケーリングと、多くのノードを持つグラフへのスケーリングである。
グラフニューラルネットワーク(GNN)を用いて報酬関数を推定できることを示す。
論文 参考訳（メタデータ） (2022-07-13T18:12:36Z) - Gaussian Process Bandit Optimization with Few Batches [49.896920704012395]
有限腕バンディットアルゴリズムにインスパイアされたバッチアルゴリズムを導入する。
O(log T)$ batches in time horizon $T$.sqrtTgamma_T)$ using $O(log T)$ batches in time horizon。
さらに,アルゴリズムの修正版を提案し,バッチ数によって後悔がどう影響するかを特徴付ける。
論文 参考訳（メタデータ） (2021-10-15T00:54:04Z)
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。