論文の概要: Generalized Schrödinger Bridge on Graphs

• arxiv url: http://arxiv.org/abs/2602.04675v1
• Date: Wed, 04 Feb 2026 15:48:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-05 19:45:11.59897
• Title: Generalized Schrödinger Bridge on Graphs
• Title（参考訳）: グラフ上の一般化シュレーディンガー橋
• Authors: Panagiotis Theodoropoulos, Juno Nam, Evangelos Theodorou, Jaemoo Choi,
• Abstract要約: Generalized Schrdinger Bridge on Graphs (GSBoG) は任意のグラフ上で実行可能制御された連続時間マルコフ連鎖(CTMC)ポリシーを学習するための新しいフレームワークである。 GSBoGは、軌跡レベルのポリシーを学び、密集したグローバルソルバを避け、拡張性を向上させる。 GSBoGは、アプリケーション固有の中間状態コストを最適化しつつ、正確なトポロジ的なポリシーを確実に学習することを示す。
• 参考スコア（独自算出の注目度）: 7.791378137784419
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Transportation on graphs is a fundamental challenge across many domains, where decisions must respect topological and operational constraints. Despite the need for actionable policies, existing graph-transport methods lack this expressivity. They rely on restrictive assumptions, fail to generalize across sparse topologies, and scale poorly with graph size and time horizon. To address these issues, we introduce Generalized Schrödinger Bridge on Graphs (GSBoG), a novel scalable data-driven framework for learning executable controlled continuous-time Markov chain (CTMC) policies on arbitrary graphs under state cost augmented dynamics. Notably, GSBoG learns trajectory-level policies, avoiding dense global solvers and thereby enhancing scalability. This is achieved via a likelihood optimization approach, satisfying the endpoint marginals, while simultaneously optimizing intermediate behavior under state-dependent running costs. Extensive experimentation on challenging real-world graph topologies shows that GSBoG reliably learns accurate, topology-respecting policies while optimizing application-specific intermediate state costs, highlighting its broad applicability and paving new avenues for cost-aware dynamical transport on general graphs.
• Abstract（参考訳）: グラフ上の移動は多くの領域において根本的な課題であり、決定はトポロジ的および運用上の制約を尊重しなければならない。 実行可能なポリシーを必要とするが、既存のグラフトランスポートメソッドには、この表現力がない。 それらは制限的な仮定に頼り、スパーストポロジをまたいだ一般化に失敗し、グラフのサイズと時間的地平線で不十分にスケールする。 これらの問題に対処するために、我々は、ステートコスト拡張力学の下で任意のグラフに対する実行可能制御された連続時間マルコフ連鎖(CTMC)ポリシーを学習するための、新しいスケーラブルなデータ駆動フレームワークであるGSBoG(Generalized Schrödinger Bridge on Graphs)を紹介した。 特にGSBoGは、トラジェクトリレベルのポリシーを学び、高密度なグローバルソルバを回避し、拡張性を向上させる。 これは、状態依存ランニングコストの下で中間動作を同時に最適化しながら、エンドポイントの限界を満足する可能性の最適化アプローチによって達成される。 現実のグラフトポロジに挑戦する大規模な実験により、GSBoGは、アプリケーション固有の中間状態コストを最適化しながら、正確なトポロジ参照ポリシーを確実に学習し、その広範な適用性を強調し、一般的なグラフ上でコスト認識のダイナミックトランスポートのための新たな道を開くことが示されている。

関連論文リスト

• Towards Pre-trained Graph Condensation via Optimal Transport [52.6504753271008]
  グラフ凝縮は、元のグラフを小さなグラフに蒸留し、冗長性を緩和し、GNNトレーニングを加速することを目的としている。 従来のGCアプローチは、厳格なGNNとタスク固有の監督に大きく依存している。 タスク依存GC法とアーキテクチャ依存GC法の限界を超越するために, 最適輸送による事前学習グラフ凝縮(PreGC)を提案する。
  論文  参考訳（メタデータ） (2025-09-18T08:13:24Z)
• Regularized Adaptive Graph Learning for Large-Scale Traffic Forecasting [5.212619320601785]
  トラフィック予測のための正規化適応グラフ学習(RAG)モデルを提案する。 RAGLは予測精度の点で最先端の手法を一貫して上回り、競争力のある計算効率を示す。 4つの大規模実世界の交通データセットの実験により、RAGLは予測精度において最先端の手法を一貫して上回り、競争力のある計算効率を示すことが示された。
  論文  参考訳（メタデータ） (2025-06-08T14:58:27Z)
• Scalable Graph Generative Modeling via Substructure Sequences [50.32639806800683]
  本稿では,グラフ生成用トランスフォーマー事前学習フレームワークである生成グラフパターンマシン(G$2$PM)を紹介する。 G$2$PMはグラフインスタンス(ノード、エッジ、グラフ全体)をサブ構造のシーケンスとして表現する。 それは、一般化可能かつ伝達可能な表現を学ぶために、シーケンスに関する生成的事前学習を採用する。
  論文  参考訳（メタデータ） (2025-05-22T02:16:34Z)
• Revisiting Graph Neural Networks on Graph-level Tasks: Comprehensive Experiments, Analysis, and Improvements [54.006506479865344]
  グラフレベルグラフニューラルネットワーク(GNN)のための統一評価フレームワークを提案する。 このフレームワークは、さまざまなデータセットにわたるGNNを評価するための標準化された設定を提供する。 また,表現性の向上と一般化機能を備えた新しいGNNモデルを提案する。
  論文  参考訳（メタデータ） (2025-01-01T08:48:53Z)
• A Scalable and Effective Alternative to Graph Transformers [19.018320937729264]
  グラフ変換器(GT)が導入された。 GTは、グラフ内のノード数の複雑さに悩まされ、大きなグラフに適用できなくなる。 GTに代わるスケーラブルで効果的なグラフ拡張コンテキスト演算子(GECO)を提案する。
  論文  参考訳（メタデータ） (2024-06-17T19:57:34Z)
• Graph Condensation for Open-World Graph Learning [48.38802327346445]
  グラフ凝縮(GC)は、グラフニューラルネットワーク(GNN)を効率的に訓練するための有望な加速ソリューションとして登場した。 既存のGCメソッドは、単に観測された静的グラフ分布と凝縮グラフの整合性に制限される。 しかし、現実のシナリオでは、グラフは動的で常に進化しており、新しいノードとエッジが継続的に統合されている。 グラフパターンの進化をシミュレートするために構造対応分散シフトを統合する,堅牢なGCフレームワークであるOpenGCを提案する。
  論文  参考訳（メタデータ） (2024-05-27T09:47:09Z)
• 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)

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。