論文の概要: WINFlowNets: Warm-up Integrated Networks Training of Generative Flow Networks for Robotics and Machine Fault Adaptation

• arxiv url: http://arxiv.org/abs/2603.17301v1
• Date: Wed, 18 Mar 2026 02:55:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-19 18:32:57.482841
• Title: WINFlowNets: Warm-up Integrated Networks Training of Generative Flow Networks for Robotics and Machine Fault Adaptation
• Title（参考訳）: WINFlowNets: ロボットと機械故障適応のための生成フローネットワークのトレーニング
• Authors: Zahin Sufiyan, Shadan Golestan, Yoshihiro Mitsuka, Shotaro Miwa, Osmar Zaiane,
• Abstract要約: WINFlowNetsは、フローと検索ネットワークの協調トレーニングを可能にする新しいフレームワークである。 WINFlowNetsは、平均報酬とトレーニング安定性の観点から、CFlowNetsや最先端のRLアルゴリズムを上回っている。 これらの知見は、WINFlowNetsが動的および機能不全を引き起こすロボットシステムに展開する可能性を示している。
• 参考スコア（独自算出の注目度）: 1.7094085866965287
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative Flow Networks for continuous scenarios (CFlowNets) have shown promise in solving sequential decision-making tasks by learning stochastic policies using a flow and a retrieval network. Despite their demonstrated efficiency compared to state-of-the-art Reinforcement Learning (RL) algorithms, their practical application in robotic control tasks is constrained by the reliance on pre-training the retrieval network. This dependency poses challenges in dynamic robotic environments, where pre-training data may not be readily available or representative of the current environment. This paper introduces WINFlowNets, a novel CFlowNets framework that enables the co-training of flow and retrieval networks. WINFlowNets begins with a warm-up phase for the retrieval network to bootstrap its policy, followed by a shared training architecture and a shared replay buffer for co-training both networks. Experiments in simulated robotic environments demonstrate that WINFlowNets surpasses CFlowNets and state-of-the-art RL algorithms in terms of average reward and training stability. Furthermore, WINFlowNets exhibits strong adaptive capability in fault environments, making it suitable for tasks that demand quick adaptation with limited sample data. These findings highlight WINFlowNets' potential for deployment in dynamic and malfunction-prone robotic systems, where traditional pre-training or sample inefficient data collection may be impractical.
• Abstract（参考訳）: 連続シナリオのためのジェネレーティブフローネットワーク(CFlowNets)は、フローと検索ネットワークを用いて確率的ポリシーを学習することで、シーケンシャルな意思決定タスクを解くことを約束している。 最新のReinforcement Learning (RL)アルゴリズムと比較して,その効率性が実証されているにもかかわらず,ロボット制御タスクの実践的応用は,検索ネットワークの事前学習に依存している。 この依存関係は、トレーニング済みデータが簡単に利用できないり、現在の環境を代表したりできないような、動的ロボット環境において課題となる。 本稿では,フローと検索ネットワークの協調学習を可能にする新しいCFlowNetsフレームワークであるWINFlowNetsを紹介する。 WINFlowNetsは、検索ネットワークがポリシーをブートストラップするウォームアップフェーズから始まり、その後、共有トレーニングアーキテクチャと、両方のネットワークを共同トレーニングするための共有リプレイバッファが続く。 シミュレーションロボット環境での実験では、WINFlowNetsが平均報酬とトレーニング安定性の点でCFlowNetsや最先端のRLアルゴリズムを上回ることが示されている。 さらに、WINFlowNetsはフォールト環境において強い適応性を示し、限られたサンプルデータによる迅速な適応を必要とするタスクに適している。 これらの知見は、WINFlowNetsが、従来の事前学習やサンプル非効率なデータ収集が現実的でない、動的および機能不良のロボットシステムに展開する可能性を強調している。

関連論文リスト

• NetFlowGen: Leveraging Generative Pre-training for Network Traffic Dynamics [72.95483148058378]
  我々は,NetFlowレコードからのトラフィックデータのみを用いて,トラフィックダイナミクスをキャプチャする汎用機械学習モデルを事前学習することを提案する。 ネットワーク特徴表現の統一,未ラベルの大規模トラフィックデータ量からの学習,DDoS攻撃検出における下流タスクのテストといった課題に対処する。
  論文  参考訳（メタデータ） (2024-12-30T00:47:49Z)
• Evolution Guided Generative Flow Networks [10.330009481776454]
  Generative Flow Networks(GFlowNets)は、報酬に比例した合成オブジェクトのサンプリングを学ぶ。 GFlowNetsの大きな課題のひとつは、長期間の地平線とまばらな報酬を扱う際に、それらを効果的にトレーニングすることだ。 進化的アルゴリズム(EA)を用いたGFlowNetsトレーニングの簡易かつ強力な拡張であるEGFN(Evolution Guided Generative Flow Network)を提案する。
  論文  参考訳（メタデータ） (2024-02-03T15:28:53Z)
• 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)
• Pre-Training and Fine-Tuning Generative Flow Networks [61.90529626590415]
  本稿では,GFlowNetの報酬なし事前学習のための新しいアプローチを提案する。 自己指導型問題としてトレーニングをフレーミングすることで,候補空間の探索を学習する結果条件付きGFlowNetを提案する。 事前学習したOC-GFNモデルにより、下流タスクにおける新しい報酬関数をサンプリングできるポリシーを直接抽出できることを示す。
  論文  参考訳（メタデータ） (2023-10-05T09:53:22Z)
• CFlowNets: Continuous Control with Generative Flow Networks [23.093316128475564]
  探索制御タスクの強化学習の代替として,ジェネレーティブフローネットワーク(GFlowNets)を用いることができる。 本稿では,連続制御タスクに適用可能な生成連続フローネットワーク(CFlowNets)を提案する。
  論文  参考訳（メタデータ） (2023-03-04T14:37:47Z)
• 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)
• Distributional GFlowNets with Quantile Flows [73.73721901056662]
  Generative Flow Networks(GFlowNets)は、エージェントが一連の意思決定ステップを通じて複雑な構造を生成するためのポリシーを学ぶ確率的サンプルの新たなファミリーである。 本研究では,GFlowNetの分散パラダイムを採用し,各フロー関数を分散化し,学習中により情報的な学習信号を提供する。 GFlowNet学習アルゴリズムは,リスク不確実性のあるシナリオを扱う上で不可欠な,リスクに敏感なポリシーを学習することができる。
  論文  参考訳（メタデータ） (2023-02-11T22:06:17Z)

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。