meineki.news Logo
meineki.news
KI News: Kurz und klar.
Anmelden

Graphdaten optimieren: Gaussian Processes mit Spektralrepräsentationen

arXiv – cs.LG • • Original • ≈1 Min. Lesezeit
#Bayessche Optimierung #Gaussian Processes #Graphdaten #Spektrale Darstellungen #Surrogatmodelle #Graphstruktur #Unsicherheitsabschätzungen #Konvergenz
Anzeige

Ein neues Verfahren aus der arXiv-Preprint-Serie 2511.07734v1 eröffnet die Möglichkeit, komplexe Graphdaten effizient zu optimieren. Durch die Kombination von Bayesian Optimization und Gaussian Processes werden bislang schwierige Aufgaben in graphstrukturierten Domänen angegangen.

Das Verfahren nutzt niedrigrangige spektrale Darstellungen, um aus sparsamen Beobachtungen robuste Surrogatmodelle zu erzeugen. Dabei werden gleichzeitig die Graphstruktur und die Knotendarstellungen mittels lernbarer Einbettungen geschätzt. Das Ergebnis ist eine globale Suchstrategie, die auch bei begrenzten Datenmengen präzise Unsicherheitsabschätzungen liefert.

Die Autoren liefern theoretische Analysen, die zeigen, unter welchen Abtastbedingungen die zugrunde liegende Graphstruktur zuverlässig rekonstruiert werden kann. In Experimenten mit synthetischen und realen Datensätzen konnte das neue Modell schnellere Konvergenz und bessere Optimierungsergebnisse erzielen als bisherige Ansätze.

Ähnliche Artikel

arXiv – cs.LG •
Relation-Aware Bayesian Optimization of DBMS Configurations Guided by Affinity Scores
arXiv – cs.LG •
Informed Initialization for Bayesian Optimization and Active Learning
arXiv – cs.LG •
Schnelles Feintuning von LLMs: P‑GAP nutzt zeroth‑order Optimierung
arXiv – cs.LG •
Policy Transfer Ensures Fast Learning for Continuous-Time LQR with Entropy Regularization
arXiv – cs.LG •
Thompson Sampling via Fine-Tuning of LLMs
arXiv – cs.LG •
Bayesian Optimization under Uncertainty for Training a Scale Parameter in Stochastic Models