베이지안 최적화(BO)는 비용이 많이 드는 블랙박스 목적 함수를 최적화하는 데 강력한 프레임워크이지만, 그래프 구조 도메인으로 확장하는 것은 그래프의 이산적이고 조합적인 특성으로 인해 여전히 어렵습니다. 이 논문은 희소 구조적 관찰로부터 가우시안 프로세스(GP) 서러게이트를 구축하기 위해 낮은 랭크 스펙트럼 표현을 사용하는 그래프에 대한 전역 최적화를 위한 확장 가능한 프레임워크를 소개합니다. 이 방법은 학습 가능한 임베딩을 통해 그래프 구조와 노드 표현을 공동으로 추론하여 제한된 데이터에서도 효율적인 전역 검색과 원칙적인 불확실성 추정을 가능하게 합니다. 또한, 다양한 샘플링 체제 하에서 기본 그래프 구조의 정확한 복구를 위한 조건을 설정하는 이론적 분석을 제공합니다. 합성 및 실제 데이터셋에 대한 실험은 제안된 방법이 기존 방법에 비해 더 빠른 수렴과 개선된 최적화 성능을 달성함을 보여줍니다.
