論文の概要: Symmetry-Aware GFlowNets

• arxiv url: http://arxiv.org/abs/2506.02685v1
• Date: Tue, 03 Jun 2025 09:38:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-04 21:47:35.520047
• Title: Symmetry-Aware GFlowNets
• Title（参考訳）: 対称性を考慮したGFlowNet
• Authors: Hohyun Kim, Seunggeun Lee, Min-hwan Oh,
• Abstract要約: Generative Flow Networks(GFlowNets)は、グラフをその報酬に比例してサンプリングするための強力なフレームワークを提供する。 既存のアプローチは状態遷移確率計算の不正確さによる体系的なバイアスに悩まされている。 本稿では,対称性補正を学習プロセスに組み込んだ報酬スケーリング手法であるSymmetry-Aware GFlowNets (SA-GFN)を紹介する。
• 参考スコア（独自算出の注目度）: 7.196104022425989
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative Flow Networks (GFlowNets) offer a powerful framework for sampling graphs in proportion to their rewards. However, existing approaches suffer from systematic biases due to inaccuracies in state transition probability computations. These biases, rooted in the inherent symmetries of graphs, impact both atom-based and fragment-based generation schemes. To address this challenge, we introduce Symmetry-Aware GFlowNets (SA-GFN), a method that incorporates symmetry corrections into the learning process through reward scaling. By integrating bias correction directly into the reward structure, SA-GFN eliminates the need for explicit state transition computations. Empirical results show that SA-GFN enables unbiased sampling while enhancing diversity and consistently generating high-reward graphs that closely match the target distribution.
• Abstract（参考訳）: Generative Flow Networks(GFlowNets)は、グラフをその報酬に比例してサンプリングするための強力なフレームワークを提供する。 しかし、既存の手法は状態遷移確率計算の不正確さによる体系的なバイアスに悩まされている。 これらのバイアスはグラフの固有の対称性に根ざし、原子ベースとフラグメントベースの両方の生成スキームに影響を与える。 この課題に対処するために、報酬スケーリングを通じて対称性補正を学習プロセスに組み込むSymmetry-Aware GFlowNets (SA-GFN)を導入する。 バイアス補正を直接報酬構造に統合することにより、SA-GFNは明示的な状態遷移計算を必要としない。 実験の結果,SA-GFNは多様性を高めつつ,目標分布と密に一致した高次グラフを連続的に生成し,非バイアスサンプリングを可能にすることがわかった。

関連論文リスト

• PNE-SGAN: Probabilistic NDT-Enhanced Semantic Graph Attention Network for LiDAR Loop Closure Detection [3.638946969851829]
  確率的NDT強化セマンティックグラフ注意ネットワークであるPNE-SGANを紹介する。 PNE-SGANは、正規分布変換(NDT)共分散行列をリッチで識別可能な幾何ノード特徴として利用することにより、意味グラフを強化する。 平均精度は96.2%, 95.1%であった。
  論文  参考訳（メタデータ） (2025-04-11T06:25:11Z)
• Baking Symmetry into GFlowNets [58.932776403471635]
  GFlowNetsは、さまざまな候補を高い報酬で生成する上で、有望なパフォーマンスを示している。 本研究は,生成過程における等価な動作を特定することにより,GFlowNetに対称性を統合することを目的とする。
  論文  参考訳（メタデータ） (2024-06-08T10:11:10Z)
• 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)
• Learning GFlowNets from partial episodes for improved convergence and stability [56.99229746004125]
  生成フローネットワーク(GFlowNets)は、非正規化対象密度の下で離散オブジェクトのシーケンシャルサンプリングを訓練するアルゴリズムである。 GFlowNetsの既存のトレーニング目的は、状態または遷移に局所的であるか、あるいはサンプリング軌道全体にわたって報酬信号を伝達する。 強化学習におけるTD($lambda$)アルゴリズムにインスパイアされたサブトラジェクティブバランス(subtrajectory balance, SubTB($lambda$)を導入する。
  論文  参考訳（メタデータ） (2022-09-26T15:44:24Z)
• FMP: Toward Fair Graph Message Passing against Topology Bias [43.70672256020857]
  textsfFair textsfMessage textsfPassing (FMP) 方式が提案されている。 提案したFMPは、効果的で透明で、バックプロパゲーショントレーニングと互換性がある。
  論文  参考訳（メタデータ） (2022-02-08T23:00:26Z)

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。