論文の概要: Signal from Structure: Exploiting Submodular Upper Bounds in Generative Flow Networks

• arxiv url: http://arxiv.org/abs/2601.21061v1
• Date: Wed, 28 Jan 2026 21:34:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-30 16:22:49.444457
• Title: Signal from Structure: Exploiting Submodular Upper Bounds in Generative Flow Networks
• Title（参考訳）: 構造からの信号: 生成フローネットワークにおける部分モジュラー上界の爆発
• Authors: Alexandre Larouche, Audrey Durand,
• Abstract要約: 我々は、まだ観測されていない構成対象の報酬の上限を求めるために、部分モジュラリティを利用することができることを示した。 サブモジュラー上界を用いてGFNを訓練するSUBo-GFNを導入する。 我々は, SUBo-GFN が古典的な GFN よりも, 報酬関数に対する同じクエリ数に対して, 桁違いに多くのトレーニングデータを生成することを示す。
• 参考スコア（独自算出の注目度）: 46.163790471001484
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative Flow Networks (GFlowNets; GFNs) are a class of generative models that learn to sample compositional objects proportionally to their a priori unknown value, their reward. We focus on the case where the reward has a specified, actionable structure, namely that it is submodular. We show submodularity can be harnessed to retrieve upper bounds on the reward of compositional objects that have not yet been observed. We provide in-depth analyses of the probability of such bounds occurring, as well as how many unobserved compositional objects can be covered by a bound. Following the Optimism in the Face of Uncertainty principle, we then introduce SUBo-GFN, which uses the submodular upper bounds to train a GFN. We show that SUBo-GFN generates orders of magnitude more training data than classical GFNs for the same number of queries to the reward function. We demonstrate the effectiveness of SUBo-GFN in terms of distribution matching and high-quality candidate generation on synthetic and real-world submodular tasks.
• Abstract（参考訳）: Generative Flow Networks (GFlowNets; GFNs) は、合成対象を事前の未知の値に比例してサンプリングすることを学ぶ生成モデルのクラスである。 報酬が指定された、実行可能な構造を持つ場合、すなわち、それが部分モジュラーである場合に焦点を当てる。 我々は、まだ観測されていない構成対象の報酬の上限を求めるために、部分モジュラリティを利用することができることを示した。 我々は、そのような境界が生じる確率の詳細な分析と、観測されていない構成対象が境界によってカバーされる回数について述べる。 不確かさの面における最適化に続いて、サブモジュラー上界を用いてGFNを訓練するSUBo-GFNを導入する。 我々は, SUBo-GFN が古典的な GFN よりも, 報酬関数に対する同じクエリ数に対して, 桁違いに多くのトレーニングデータを生成することを示す。 我々は,SUBo-GFNの分布マッチングと高品質な候補生成が,合成および実世界のサブモジュールタスクに与える影響を実証した。

関連論文リスト

• Pessimistic Backward Policy for GFlowNets [40.00805723326561]
  本稿では,与えられた報酬関数に比例してオブジェクトをサンプリングする生成フローネットワーク(GFlowNets)について検討する。 本研究では,GFlowNetが低軌道の訓練により,高逆対象を過小評価する傾向にあることを示す。 本稿では,GFlowNetsに対する悲観的なバックワードポリシーを提案し,観測されたフローを最大化し,オブジェクトに対する真の報酬と密接に一致させる。
  論文  参考訳（メタデータ） (2024-05-25T02:30:46Z)
• Maximum entropy GFlowNets with soft Q-learning [9.813098141615933]
  生成フローネットワーク(GFN)は、非正規分布から離散オブジェクトをサンプリングする強力なツールとして登場した。 本稿では,GFNと最大エントロピー強化学習(RL)の関連性について,適切な報酬関数を構築することで検討する。 本研究では,一様後方ポリシを持つGFNとは対照的に,GFNが状態空間に制約を加えることなく達成できる最大エントロピーを実現するための最大エントロピーGFNを紹介する。
  論文  参考訳（メタデータ） (2023-12-21T23:31:35Z)
• Order-Preserving GFlowNets [0.9532413070964598]
  Generative Flow Networks (GFlowNets) は、与えられた報酬に比例した確率を持つ様々な候補をサンプリングする方法として導入された。 OP-GFNsサンプルは、学習された報酬関数に比例する確率を持ち、候補に対して与えられた(部分的な)順序に一致する。 OP-GFNの最先端性能を単目的および多目的データセットで実証する。
  論文  参考訳（メタデータ） (2023-09-30T14:06:53Z)
• Deep Graph Neural Networks via Posteriori-Sampling-based Node-Adaptive Residual Module [65.81781176362848]
  グラフニューラルネットワーク(GNN)は、近隣情報収集を通じてグラフ構造化データから学習することができる。 レイヤーの数が増えるにつれて、ノード表現は区別不能になり、オーバー・スムーシング(over-smoothing)と呼ばれる。 我々は,textbfPosterior-Sampling-based, Node-distinguish Residual Module (PSNR)を提案する。
  論文  参考訳（メタデータ） (2023-05-09T12:03:42Z)
• GFlowNet Foundations [66.69854262276391]
  Generative Flow Networks (GFlowNets) は、多様な候補をアクティブな学習コンテキストでサンプリングする方法として導入された。 GFlowNetのさらなる理論的性質について述べる。
  論文  参考訳（メタデータ） (2021-11-17T17:59:54Z)
• Supervised Learning for Non-Sequential Data: A Canonical Polyadic Decomposition Approach [85.12934750565971]
  特徴相互作用の効率的なモデリングは、非順序的タスクに対する教師あり学習の基盤となる。 この問題を緩和するため、モデルパラメータをテンソルとして暗黙的に表現することが提案されている。 表現性を向上するため,任意の高次元特徴ベクトルに特徴写像を適用できるようにフレームワークを一般化する。
  論文  参考訳（メタデータ） (2020-01-27T22:38:40Z)
• Best Arm Identification for Cascading Bandits in the Fixed Confidence Setting [81.70513857417106]
  CascadeBAIを設計し、分析する。これは、$K$アイテムのベストセットを見つけるアルゴリズムである。 CascadeBAIの時間的複雑さの上限は、決定的な分析課題を克服することによって導かれる。 その結果,カスケードBAIの性能は,時間的複雑性の低い境界の導出により,いくつかの実践的状況において最適であることが示唆された。
  論文  参考訳（メタデータ） (2020-01-23T16:47:52Z)

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。