論文の概要: Revisiting Non-Acyclic GFlowNets in Discrete Environments

• arxiv url: http://arxiv.org/abs/2502.07735v1
• Date: Tue, 11 Feb 2025 17:55:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-12 14:10:01.910145
• Title: Revisiting Non-Acyclic GFlowNets in Discrete Environments
• Title（参考訳）: 離散環境における非環状GFlowNetの再検討
• Authors: Nikita Morozov, Ian Maksimov, Daniil Tiapkin, Sergey Samsonov,
• Abstract要約: 離散環境における非巡回GFlowNetの理論的枠組みを提案する。 固定された後方方針によるトレーニング、流れ関数の性質、エントロピー規則化されたRLと非環状GFlowNetの接続に関する、様々な新しい理論的知見を提供する。
• 参考スコア（独自算出の注目度）: 4.158255103170876
• License:
• Abstract: Generative Flow Networks (GFlowNets) are a family of generative models that learn to sample objects from a given probability distribution, potentially known up to a normalizing constant. Instead of working in the object space, GFlowNets proceed by sampling trajectories in an appropriately constructed directed acyclic graph environment, greatly relying on the acyclicity of the graph. In our paper, we revisit the theory that relaxes the acyclicity assumption and present a simpler theoretical framework for non-acyclic GFlowNets in discrete environments. Moreover, we provide various novel theoretical insights related to training with fixed backward policies, the nature of flow functions, and connections between entropy-regularized RL and non-acyclic GFlowNets, which naturally generalize the respective concepts and theoretical results from the acyclic setting. In addition, we experimentally re-examine the concept of loss stability in non-acyclic GFlowNet training, as well as validate our own theoretical findings.
• Abstract（参考訳）: 生成フローネットワーク(英: Generative Flow Networks、GFlowNets)は、与えられた確率分布からオブジェクトを標本化することを学ぶ生成モデルのファミリーである。 オブジェクト空間で働く代わりに、GFlowNetsは適切に構築された非巡回グラフ環境において軌道をサンプリングし、グラフの非巡回性に大きく依存する。 本稿では,非循環性仮定を緩和する理論を再検討し,離散環境における非循環性GFlowNetの単純な理論的枠組みを示す。 さらに、固定された後方方針によるトレーニング、流れ関数の性質、エントロピー規則化されたRLと非非環状GFlowNet間の接続に関する様々な理論的な知見を提供し、非環状設定からそれぞれの概念と理論結果を自然に一般化する。 また,非循環型GFlowNetトレーニングにおける損失安定性の概念を実験的に再検討し,理論的知見を検証した。

関連論文リスト

• A Theory of Non-Acyclic Generative Flow Networks [42.00774632491589]
  我々は,GFlowNetの応用範囲を制限する仮説の緩和に寄与する。 サイクル制限のない連続状態空間を含む可測空間上でGFlowNetsの理論を拡張する。 今までの損失はサイクルに留まり、この問題を解決するための損失のファミリーを定義しています。
  論文  参考訳（メタデータ） (2023-12-23T12:58:58Z)
• Generative Flow Networks as Entropy-Regularized RL [4.857649518812728]
  生成フローネットワーク(ジェネレーティブフローネットワーク、英:generative flow network、GFlowNets)は、一連の行動を通じて与えられた報酬に比例確率を持つ合成対象をサンプリングするためのポリシーを訓練する手法である。 生成フローネットワークの学習作業は,エントロピー規則化強化学習問題として効率的に行うことができることを示す。 先に報告した結果とは対照的に,エントロピー的RLアプローチは,既存のGFlowNetトレーニング手法と競合する可能性がある。
  論文  参考訳（メタデータ） (2023-10-19T17:31:40Z)
• Stochastic Generative Flow Networks [89.34644133901647]
  生成フローネットワーク(GFlowNets)は「制御としての推論」のレンズを通して複雑な構造をサンプリングすることを学ぶ 既存のGFlowNetsは決定論的環境にのみ適用でき、動的処理によるより一般的なタスクではフェールする。 本稿では,GFlowNetsを環境に拡張する新しいアルゴリズムであるGFlowNetsを紹介する。
  論文  参考訳（メタデータ） (2023-02-19T03:19:40Z)
• DynGFN: Towards Bayesian Inference of Gene Regulatory Networks with GFlowNets [81.75973217676986]
  遺伝子調節ネットワーク(GRN)は、遺伝子発現と細胞機能を制御する遺伝子とその産物間の相互作用を記述する。 既存の方法は、チャレンジ(1)、ダイナミックスから循環構造を識別すること、あるいはチャレンジ(2)、DAGよりも複雑なベイズ後部を学習することに焦点を当てるが、両方ではない。 本稿では、RNAベロシティ技術を用いて遺伝子発現の「速度」を推定できるという事実を活用し、両方の課題に対処するアプローチを開発する。
  論文  参考訳（メタデータ） (2023-02-08T16:36:40Z)
• A theory of continuous generative flow networks [104.93913776866195]
  生成フローネットワーク(Generative Flow Networks, GFlowNets)は、非正規化されたターゲット分布からサンプルを抽出するように訓練されたアモータイズされた変分推論アルゴリズムである。 本稿では、既存の離散GFlowNetと、連続的あるいはハイブリッドな状態空間を持つGFlowNetを包含する一般化GFlowNetの理論を提案する。
  論文  参考訳（メタデータ） (2023-01-30T00:37:56Z)
• Improving Generative Flow Networks with Path Regularization [8.848799220256366]
  近年,ジェネレーティブ・フロー・ネットワーク(GFlowNets)は,与えられた報酬関数に比例する確率を持つ行動列によって合成対象を生成する学習ポリシーのモデルとして提案されている。 本稿では,GFlowNetの基盤構造に事前制約を課す最適輸送理論に基づく経路正規化手法を提案する。
  論文  参考訳（メタデータ） (2022-09-29T20:54:41Z)
• Bayesian Structure Learning with Generative Flow Networks [85.84396514570373]
  ベイズ構造学習では、データから有向非巡回グラフ(DAG)上の分布を推定することに興味がある。 近年,ジェネレーティブ・フロー・ネットワーク(GFlowNets)と呼ばれる確率モデルのクラスが,ジェネレーティブ・モデリングの一般的なフレームワークとして紹介されている。 DAG-GFlowNetと呼ばれる本手法は,DAGよりも後方の正確な近似を提供する。
  論文  参考訳（メタデータ） (2022-02-28T15:53:10Z)
• Generative Flow Networks for Discrete Probabilistic Modeling [118.81967600750428]
  エネルギーベース生成フローネットワーク(EB-GFN)について述べる。 EB-GFNは高次元離散データのための新しい確率論的モデリングアルゴリズムである。 GFlowNetsは、モード間を混在させるために、大ブロックギブスサンプリングを略して行うことができるかを示す。
  論文  参考訳（メタデータ） (2022-02-03T01:27:11Z)

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。