論文の概要: Exploring Multiple High-Scoring Subspaces in Generative Flow Networks

• arxiv url: http://arxiv.org/abs/2602.11491v1
• Date: Thu, 12 Feb 2026 02:30:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-13 21:07:25.603032
• Title: Exploring Multiple High-Scoring Subspaces in Generative Flow Networks
• Title（参考訳）: 生成フローネットワークにおける複数の高速部分空間の探索
• Authors: Xuan Yu, Xu Wang, Rui Zhu, Yudong Zhang, Yang Wang,
• Abstract要約: 生成フローネットワークは、複雑なオブジェクトを構築する強力な可能性を示す。 既存のGFlowNetは、広大な状態空間の過剰な探索に悩まされることが多い。 CMAB-GFNを提案する。これはGFlowNetポリシに最適化されたマルチアームバンディットフレームワークを統合する。
• 参考スコア（独自算出の注目度）: 15.81040206459648
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As a probabilistic sampling framework, Generative Flow Networks (GFlowNets) show strong potential for constructing complex combinatorial objects through the sequential composition of elementary components. However, existing GFlowNets often suffer from excessive exploration over vast state spaces, leading to over-sampling of low-reward regions and convergence to suboptimal distributions. Effectively biasing GFlowNets toward high-reward solutions remains a non-trivial challenge. In this paper, we propose CMAB-GFN, which integrates a combinatorial multi-armed bandit (CMAB) framework with GFlowNet policies. The CMAB component prunes low-quality actions, yielding compact high-scoring subspaces for exploration. Restricting GFNs to these compact high-scoring subspaces accelerates the discovery of high-value candidates, while the exploration of different subspaces ensures that diversity is not sacrificed. Experimental results on multiple tasks demonstrate that CMAB-GFN generates higher-reward candidates than existing approaches.
• Abstract（参考訳）: 確率的サンプリングフレームワークとして、生成フローネットワーク(GFlowNets)は、基本成分の逐次合成によって複雑な組合せオブジェクトを構築する強力な可能性を示す。 しかし、既存のGFlowNetは広大な状態空間の過度な探索に悩まされ、低逆領域のオーバーサンプリングと準最適分布への収束に繋がる。 GFlowNetsをハイリワードソリューションに効果的にバイアスすることは、非常に難しい課題である。 本稿では,GFlowNetポリシと組み合わせたCMAB(Multiar Multi-armed Bandit)フレームワークを組み込んだCMAB-GFNを提案する。 CMAB成分は低品質な作用を誘発し、探索のためのコンパクトな高彩度部分空間をもたらす。 GFNをこれらのコンパクトな高次の部分空間に制限することは、高価値な候補の発見を加速させる一方、異なる部分空間の探索は多様性が犠牲にならないことを保証している。 複数のタスクに対する実験結果から,CMAB-GFNは既存手法よりも高い回帰候補を生成することが示された。

関連論文リスト

• MG2FlowNet: Accelerating High-Reward Sample Generation via Enhanced MCTS and Greediness Control [19.49552596070782]
  Generative Flow Networks (GFlowNets) は、与えられた報酬関数に比例した分布からサンプルを学習することで、多種多様な高次構造化オブジェクトを生成する強力なツールとして登場した。 本研究では,モンテカルロ木探索(MCTS)をGFlowNetsサンプリングプロセスに統合し,探索とエクスプロイトを適応的にバランスさせる。 本手法は,高次領域の発見速度を早めるだけでなく,生成分布の多様性を保ちながら,連続的に高次領域を生成できる。
  論文  参考訳（メタデータ） (2025-10-01T12:09:04Z)
• Loss-Guided Auxiliary Agents for Overcoming Mode Collapse in GFlowNets [22.653875450786444]
  Loss-Guided GFlowNets(LGGFN)は、GFlowNetのトレーニング損失によって、補助的なGFlowNetの探索が直接的にテキスト駆動される新しいアプローチである。 この目的の探査は、多種多様な高解像度サンプルの発見を著しく加速させる。
  論文  参考訳（メタデータ） (2025-05-21T08:27:10Z)
• Ant Colony Sampling with GFlowNets for Combinatorial Optimization [68.84985459701007]
  Generative Flow Ant Colony Sampler (GFACS)は、階層的に償却推論と並列探索を組み合わせた新しいメタヒューリスティック手法である。 提案手法はまず,生成フローネットワーク(GFlowNets)を利用して,解空間上のエンフルティモーダル事前分布を補正する。 この前者は、Ant Colony Optimization (ACO) の精神で並列探索によって更新され、後部分布がほぼ最適解を生成する。
  論文  参考訳（メタデータ） (2024-03-11T16:26:06Z)
• Local Search GFlowNets [85.0053493167887]
  Generative Flow Networks (GFlowNets) は、報酬に比例した離散オブジェクト上の分布を学習するアモータイズされたサンプリング手法である。 GFlowNetsは、多様なサンプルを生成する素晴らしい能力を示していますが、広いサンプル空間での過剰な探索のために、常に高い報酬を持つサンプルを生成するのに苦労することがあります。 本稿では,局所探索によるGFlowNetsの学習を提案する。
  論文  参考訳（メタデータ） (2023-10-04T10:27:17Z)
• 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)

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。