論文の概要: Global Optimization on Graph-Structured Data via Gaussian Processes with Spectral Representations

• arxiv url: http://arxiv.org/abs/2511.07734v1
• Date: Wed, 12 Nov 2025 01:13:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-12 20:17:03.451936
• Title: Global Optimization on Graph-Structured Data via Gaussian Processes with Spectral Representations
• Title（参考訳）: スペクトル表現を持つガウス過程によるグラフ構造データの大域的最適化
• Authors: Shu Hong, Yongsheng Mei, Mahdi Imani, Tian Lan,
• Abstract要約: グラフに対するグローバルな最適化のためのスケーラブルなフレームワークを導入します。 学習可能な埋め込みを通してグラフ構造とノード表現を推論する。 合成および実世界のデータセットを用いた実験により,本手法は従来手法よりも高速に収束し,最適化性能が向上することを示した。
• 参考スコア（独自算出の注目度）: 13.634723898878983
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Bayesian optimization (BO) is a powerful framework for optimizing expensive black-box objectives, yet extending it to graph-structured domains remains challenging due to the discrete and combinatorial nature of graphs. Existing approaches often rely on either full graph topology-impractical for large or partially observed graphs-or incremental exploration, which can lead to slow convergence. We introduce a scalable framework for global optimization over graphs that employs low-rank spectral representations to build Gaussian process (GP) surrogates from sparse structural observations. The method jointly infers graph structure and node representations through learnable embeddings, enabling efficient global search and principled uncertainty estimation even with limited data. We also provide theoretical analysis establishing conditions for accurate recovery of underlying graph structure under different sampling regimes. Experiments on synthetic and real-world datasets demonstrate that our approach achieves faster convergence and improved optimization performance compared to prior methods.
• Abstract（参考訳）: ベイズ最適化(BO)は、高価なブラックボックスの目的を最適化する強力なフレームワークであるが、グラフの離散的で組合せ的な性質のため、グラフ構造ドメインに拡張することは困難である。 既存のアプローチは、大きなグラフや部分的に観察されたグラフに対して、完全なグラフトポロジー-実践的あるいは漸進的な探索のいずれかに依存しており、収束が遅くなる可能性がある。 本稿では,低ランクなスペクトル表現を用いたグラフに対するグローバル最適化のためのスケーラブルなフレームワークを導入し,粗い構造観測からガウス過程(GP)をサロゲートする。 学習可能な埋め込みを通してグラフ構造とノード表現を共同で推論し、限られたデータであっても効率的な大域的探索と原則的不確実性推定を可能にする。 また,異なるサンプリング条件下で,基礎となるグラフ構造の正確な復元条件を確立するための理論的解析も提供する。 合成および実世界のデータセットを用いた実験により,本手法は従来手法よりも高速に収束し,最適化性能が向上することを示した。

関連論文リスト

• Graph Structure Learning with Temporal Graph Information Bottleneck for Inductive Representation Learning [1.3728301825671199]
  グラフ構造学習(GSL)と時間グラフ情報ボット(TGIB)を統合する汎用フレームワークを提案する。 ノード近傍を拡張・最適化する2段階のGSL構造拡張器を設計する。 TGIBは、情報ボトルネックの原則を時間グラフに拡張し、エッジと機能の両方を正規化することで、最適化されたグラフを洗練する。
  論文  参考訳（メタデータ） (2025-08-20T17:13:19Z)
• Global optimization of graph acquisition functions for neural architecture search [6.266977090949175]
  グラフベイズ最適化は、ニューラルネットワーク探索(NAS)のための強力でデータ効率のよいツールとしての可能性を示している。 本稿では,到達性や最短経路などの特性を含むグラフ入力空間の明示的な最適化式を提案する。 提案した符号化がグラフ空間の等価表現であることを理論的に証明し、ノードまたはエッジラベルを持つNAS領域に制限を与える。
  論文  参考訳（メタデータ） (2025-05-29T16:46:29Z)
• Spectral Clustering for Directed Graphs via Likelihood Estimation on Stochastic Block Models [22.421702511126373]
  ブロックモデルに対する統計的推測を利用して、有向グラフに対するスペクトルクラスタリングアルゴリズムの開発を導く。 我々は、スペクトル緩和の誤クラスタリング誤差に関する理論上界を確立し、この緩和に基づいて、有向グラフに対する新しい自己適応スペクトルクラスタリング法を導入する。
  論文  参考訳（メタデータ） (2024-03-28T15:47:13Z)
• GraphGLOW: Universal and Generalizable Structure Learning for Graph Neural Networks [72.01829954658889]
  本稿では,この新たな問題設定の数学的定義を紹介する。 一つのグラフ共有構造学習者と複数のグラフ固有GNNを協調する一般的なフレームワークを考案する。 十分に訓練された構造学習者は、微調整なしで、目に見えない対象グラフの適応的な構造を直接生成することができる。
  論文  参考訳（メタデータ） (2023-06-20T03:33:22Z)
• Graph Condensation via Receptive Field Distribution Matching [61.71711656856704]
  本稿では,元のグラフを表す小さなグラフの作成に焦点をあてる。 我々は、元のグラフを受容体の分布とみなし、受容体が同様の分布を持つ小さなグラフを合成することを目的としている。
  論文  参考訳（メタデータ） (2022-06-28T02:10:05Z)
• 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 Graph Learning for Multi-view Clustering [173.8313827799077]
  マルチビュークラスタリングのための効率的かつ効率的なグラフ学習モデルを提案する。 本手法はテンソルシャッテンp-ノルムの最小化により異なるビューのグラフ間のビュー類似性を利用する。 提案アルゴリズムは時間経済であり,安定した結果を得るとともに,データサイズによく対応している。
  論文  参考訳（メタデータ） (2021-08-15T13:14:28Z)
• A Fast and Robust Method for Global Topological Functional Optimization [70.11080854486953]
  本稿では, より高速で, より安定で, より堅牢なバックプロパゲーション手法を提案する。 このスキームは、永続化ダイアグラム内のドットの安定な可視化を、データ構造におけるクリティカルでほぼクリティカルな簡易な分布として作成するためにも使用できる。
  論文  参考訳（メタデータ） (2020-09-17T18:46:16Z)
• Block-Approximated Exponential Random Graphs [77.4792558024487]
  指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。 本稿では,非自明なERGに対する近似フレームワークを提案する。 我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
  論文  参考訳（メタデータ） (2020-02-14T11:42:16Z)

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。