論文の概要: Your GFlowNet Secretly Learns an Optimal Transport Plan
- arxiv url: http://arxiv.org/abs/2606.06272v1
- Date: Thu, 04 Jun 2026 15:14:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-05 22:39:44.891021
- Title: Your GFlowNet Secretly Learns an Optimal Transport Plan
- Title（参考訳）: GFlowNetが極秘で最適な交通プランを学習
- Authors: Ian Maksimov, Nikita Morozov, Denis Belomestny, Sergey Samsonov,
- Abstract要約: 非環状GFlowNetと最適輸送(OT)の理論的接続を確立する。
最小フローGFlowNetにおける初期フロー分布の修正は,グラフによる最短経路のコストを伴って,関東ロビッチOT問題にその目的を還元することを示す。
我々の定式化により、エッジフローとニューラルパラメタライゼーションを介して、大きなグラフ上のOT問題にGFlowNet学習フレームワークを適用することができる。
- 参考スコア（独自算出の注目度）: 12.14733804079963
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Generative Flow Networks (GFlowNets) are a framework for sampling structured objects via stochastic trajectories in a directed graph. In this work, we establish a theoretical connection between non-acyclic GFlowNets and optimal transport (OT). We show that fixing the initial flow distribution in a minimum-flow GFlowNet reduces its objective to a Kantorovich OT problem with graph-induced shortest path costs. At the optimum, the learned GFlowNet policy therefore encodes an optimal transport plan from the source distribution to the target distribution: we show that sampling trajectories from the minimum-flow GFlowNet recovers the corresponding optimal coupling. Our formulation enables applying the GFlowNet learning framework to OT problems on large graphs via edge flows and neural parameterization. Experiments confirm agreement with exact OT solvers and demonstrate that GFlowNets can learn high-quality transport plans.
- Abstract（参考訳）: Generative Flow Networks (GFlowNets) は、有向グラフの確率的軌跡を通して構造化対象をサンプリングするフレームワークである。
本研究では,非環状GFlowNetと最適輸送(OT)の理論的関係を確立する。
最小フローGFlowNetにおける初期フロー分布の修正は,グラフによる最短経路のコストを伴って,関東ロビッチOT問題にその目的を還元することを示す。
そこで、学習したGFlowNetポリシは、ソース分布からターゲット分布への最適輸送計画を符号化し、最小フローのGFlowNetからトラジェクトリをサンプリングすることで、対応する最適結合を回復することを示す。
我々の定式化により、エッジフローとニューラルパラメタライゼーションを介して、大きなグラフ上のOT問題にGFlowNet学習フレームワークを適用することができる。
実験では、正確なOTソルバとの一致を確認し、GFlowNetsが高品質のトランスポートプランを学習できることを実証する。
関連論文リスト
- Towards Understanding and Improving GFlowNet Training [71.85707593318297]
本稿では,学習したサンプリング分布と目標報酬分布を比較するための効率的な評価手法を提案する。
本稿では,高解像度のx$,相対的エッジフローポリシーのパラメータ化,新しい軌道バランス目標を提案する。
論文 参考訳（メタデータ） (2023-05-11T22:50:41Z) - DAG Matters! GFlowNets Enhanced Explainer For Graph Neural Networks [30.19635147123557]
我々はGFlowNetsベースのGNN Explainer(GFlowExplainer)という生成構造を提案する。
我々のGFlowExplainerは、サブグラフの確率がその報酬に比例するサブグラフの分布を生成するポリシーを学習することを目的としています。
我々は合成データと実データの両方について広範な実験を行い、質的および定量的な結果はGFlowExplainerの優位性を示している。
論文 参考訳（メタデータ） (2023-03-04T16:15:25Z) - CFlowNets: Continuous Control with Generative Flow Networks [23.093316128475564]
探索制御タスクの強化学習の代替として,ジェネレーティブフローネットワーク(GFlowNets)を用いることができる。
本稿では,連続制御タスクに適用可能な生成連続フローネットワーク(CFlowNets)を提案する。
論文 参考訳（メタデータ） (2023-03-04T14:37:47Z) - Stochastic Generative Flow Networks [89.34644133901647]
生成フローネットワーク(GFlowNets)は「制御としての推論」のレンズを通して複雑な構造をサンプリングすることを学ぶ
既存のGFlowNetsは決定論的環境にのみ適用でき、動的処理によるより一般的なタスクではフェールする。
本稿では,GFlowNetsを環境に拡張する新しいアルゴリズムであるGFlowNetsを紹介する。
論文 参考訳（メタデータ） (2023-02-19T03:19:40Z) - Improving Generative Flow Networks with Path Regularization [8.848799220256366]
近年,ジェネレーティブ・フロー・ネットワーク(GFlowNets)は,与えられた報酬関数に比例する確率を持つ行動列によって合成対象を生成する学習ポリシーのモデルとして提案されている。
本稿では,GFlowNetの基盤構造に事前制約を課す最適輸送理論に基づく経路正規化手法を提案する。
論文 参考訳（メタデータ） (2022-09-29T20:54:41Z) - Learning GFlowNets from partial episodes for improved convergence and
stability [56.99229746004125]
生成フローネットワーク(GFlowNets)は、非正規化対象密度の下で離散オブジェクトのシーケンシャルサンプリングを訓練するアルゴリズムである。
GFlowNetsの既存のトレーニング目的は、状態または遷移に局所的であるか、あるいはサンプリング軌道全体にわたって報酬信号を伝達する。
強化学習におけるTD($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)
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。