Bayesian Optimisation of Functions on Graphs

要約

グラフ構造データの可用性が高まると、グラフのノード セットで定義された関数を最適化するタスクが促進されます。
この場合、従来のグラフ検索アルゴリズムを適用できますが、サンプル効率が悪く、関数値に関する情報が利用されない可能性があります。
一方、ベイジアン最適化は、優れたサンプル効率を備えた有望なブラックボックス ソルバーの一種ですが、そのような新しい設定にはほとんど適用されていません。
このギャップを埋めるために、一般的で大規模な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ジアン最適化フレームワークを提案します。
グラフ上の適切なカーネルの学習を通じて、私たちのフレームワークはターゲット関数の動作に適応するという利点があります。
ローカル モデリング アプローチにより、この方法の効率がさらに保証されます。
合成グラフと現実世界のグラフの両方に対する広範な実験により、提案された最適化フレームワークの有効性が実証されました。

要約(オリジナル)

The increasing availability of graph-structured data motivates the task of optimising over functions defined on the node set of graphs. Traditional graph search algorithms can be applied in this case, but they may be sample-inefficient and do not make use of information about the function values; on the other hand, Bayesian optimisation is a class of promising black-box solvers with superior sample efficiency, but it has been scarcely been applied to such novel setups. To fill this gap, we propose a novel Bayesian optimisation framework that optimises over functions defined on generic, large-scale and potentially unknown graphs. Through the learning of suitable kernels on graphs, our framework has the advantage of adapting to the behaviour of the target function. The local modelling approach further guarantees the efficiency of our method. Extensive experiments on both synthetic and real-world graphs demonstrate the effectiveness of the proposed optimisation framework.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google