图上的广义 Schrödinger 桥
机器学习
2026-02-05 v1
摘要
图上运输是跨越多个领域的基本挑战，必须尊重拓扑和操作约束。尽管需要可操作的政策，但现有的图形运输方法缺乏这种表达性。它们依赖于限制性假设，无法在稀疏拓扑上推广，规模随图的大小和时间范围而增长。为解决这些问题，我们引入广义 Schrödinger 桥在图上（GSBoG），这是一种新型可扩展的数据驱动框架，用于学习任意图上受状态成本增强动力学下的可执行受控连续时间马尔可夫链（CTMC）政策。值得注意的是，GSBoG 学习轨迹级别的政策，避免密集全局求解器，从而增强可扩展性。这通过一种似然优化方法实现，该方法满足端点边际分布，同时同时优化中间行为下的状态依赖运行成本。对具有挑战性的真实世界图形拓扑的大量实验表明，GSBoG 可靠地学习准确、尊重拓扑的政策，同时优化特定于应用程序的中间状态成本，凸显其广泛适用性并为一般图上的成本感知动力学运输开辟了新途径。
关键词
引用
@article{arxiv.2602.04675,
title = {Generalized Schr\"odinger Bridge on Graphs},
author = {Panagiotis Theodoropoulos and Juno Nam and Evangelos Theodorou and Jaemoo Choi},
journal= {arXiv preprint arXiv:2602.04675},
year = {2026}
}