論文の概要: Information-Geometric Forward Policy Training in GFlowNets
- arxiv url: http://arxiv.org/abs/2608.03967v1
- Date: Tue, 04 Aug 2026 17:34:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-05 15:30:23.300971
- Title: Information-Geometric Forward Policy Training in GFlowNets
- Title（参考訳）: GFlowNetsにおける情報幾何学的フォワード政策トレーニング
- Abstract要約: 我々は, GFlowNetsにおける前方政策学習を, 誘導軌道検層の情報幾何学を用いて定式化する。
前方方針を誘導軌跡サンプリング器として扱うことにより,その内在的な一階幾何が軌道系のフィッシャー・ラオ計量によって与えられることを示す。
我々は、軌道フィッシャーをステップごとの条件付き第2モーメントに正確に分解する。
- 参考スコア（独自算出の注目度）: 1.9480051045857554
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Generative Flow Networks (GFlowNets) have emerged as a flexible framework for amortised inference over discrete and mixed discrete-continuous objects, requiring only an unnormalised target density specified through a reward. In this work, we formulate forward-policy training in GFlowNets through the information geometry of the induced trajectory sampler. Treating the forward policy as an induced trajectory sampler, we show that its intrinsic first-order geometry is given by the Fisher-Rao metric of the trajectory family, and that the associated natural gradient provides the canonical local update whenever the corresponding Fisher information is computable or accurately approximable. We derive an exact decomposition of the trajectory Fisher into per-step conditional second moments, which clarifies when temporal score interactions vanish and when dense couplings remain under shared parameterisation. This leads to three computational regimes: settings with tractable exact Fisher information, settings where Monte Carlo estimators of the expected Fisher are sufficient, and structure-exploitable settings in which target locality or factorisation yields accurate approximations of the Fisher expectation. In the latter case, graphical-model tools such as exact marginalisation, separator methods, and belief propagation provide principled surrogates for natural-gradient updates. The resulting framework turns target structure into optimisation geometry and yields a tractable route to structure-aware forward-policy training in GFlowNets. We illustrate the framework empirically through examples comparing convergence and exploration behaviour under Riemannian and Euclidean optimisation.
- Abstract（参考訳）: Generative Flow Networks (GFlowNets) は、離散的および混合的な離散連続オブジェクトに対する償却推論のための柔軟なフレームワークとして登場し、報酬によって指定された非正規化されたターゲット密度のみを必要とする。
本研究では, GFlowNetsにおけるフォワード・ポリシー・トレーニングを, 誘導軌道サンプリング器の情報幾何を用いて定式化する。
フォワードポリシーを誘導軌道検定器として扱うことにより,その内在的な一階幾何はトラジェクトリファミリーのフィッシャー・ラオ計量によって与えられ,関連する自然勾配は,対応するフィッシャー情報が計算可能あるいは正確に近似可能である場合に,正準局所的な更新を提供することを示した。
本研究では, 時間的スコア相互作用が消滅し, 密結合が共有パラメータ化下にある場合を明らかにするため, 軌跡フィッシャーをステップごとの条件付き第2モーメントに正確に分解する。
これは3つの計算規則に繋がる: 正確なフィッシャー情報の抽出可能な設定、予測されたフィッシャーのモンテカルロ推定器が十分である設定、ターゲットの局所性や分解がフィッシャー予想の正確な近似をもたらす構造説明可能な設定である。
後者の場合、厳密なマーシャリゼーション、セパレータ法、信念の伝播といったグラフィカル・モデル・ツールは、自然な漸進的な更新のために原則化されたサロゲートを提供する。
その結果生まれたフレームワークは、ターゲット構造を最適化幾何学に変換し、GFlowNetsにおける構造対応のフォワード・ポリシートレーニングへの引き込み可能なルートを得る。
我々は、リーマン最適化とユークリッド最適化の下で収束と探索の振る舞いを比較した例を通して、この枠組みを実証的に説明する。
関連論文リスト
- CuBAS: Information Geometric Curvature-Based Adaptive Sampling for Supervised Classification [52.452902154360565]
CuBASは、教師付き分類における適応データ選択のための情報幾何学的フレームワークである。
ラベル付きデータセットは統計多様体と見なすことができ、局所曲率は2階と1階の観測されたフィッシャー情報の比率で推定され、データの分布の幾何学的複雑さを忠実にエンコードする。
論文 参考訳（メタデータ） (2026-07-03T09:36:02Z) - Path Integral Approach to Quantum Fisher Information [1.0005747083373795]
量子フィッシャー情報は,時間積分された動作変形の共分散を結合した共分散として表現できることを示す。
この再構成は、リアルタイムの相関子の観点から量子フィッシャー情報を書き換えることによって、明示的な状態再構成を避ける。
論文 参考訳（メタデータ） (2026-04-14T14:06:20Z) - Variational Bayesian Flow Network for Graph Generation [54.94088904387278]
グラフ生成のための変分ベイズフローネットワーク(VBFN)を提案する。
VBFNは、構造化精度で支配されるトラクタブルジョイントガウス変分信念ファミリーに対して変分リフトを行う。
合成グラフと分子グラフのデータセットでは、VBFNは忠実度と多様性を改善し、ベースライン法を超えている。
論文 参考訳（メタデータ） (2026-01-30T03:59:38Z) - FISMO: Fisher-Structured Momentum-Orthogonalized Optimizer [30.184978506988767]
我々は、フィッシャー情報幾何を通して異方性ニューロトロピックな幾何情報を含むFISMOを紹介する。
FISMOは、確立されたベースラインよりも優れた効率と最終性能を達成する。
論文 参考訳（メタデータ） (2026-01-29T14:05:04Z) - Bridging Training and Merging Through Momentum-Aware Optimization [8.035521056416242]
大規模ニューラルネットワークとタスク固有の計算モデルのトレーニングには、パラメータの重要度推定が必要である。
トレーニング中に現在の計算曲率情報を処理し、それを破棄し、類似した情報をマージするために再計算する。
トレーニング中に運動量と曲率の統計を分解し、類似した情報をマージするために再計算する統合フレームワークを導入する。
論文 参考訳（メタデータ） (2025-12-18T22:37:33Z) - Fisher Flow Matching for Generative Modeling over Discrete Data [12.69975914345141]
離散データのための新しいフローマッチングモデルであるFisher-Flowを紹介する。
Fisher-Flowは、離散データ上のカテゴリー分布を考慮し、明らかに幾何学的な視点を採っている。
Fisher-Flowにより誘導される勾配流は, 前方KLの発散を低減するのに最適であることを示す。
論文 参考訳（メタデータ） (2024-05-23T15:02:11Z) - Joint Bayesian Inference of Graphical Structure and Parameters with a
Single Generative Flow Network [59.79008107609297]
本稿では,ベイジアンネットワークの構造上の結合後部を近似する手法を提案する。
サンプリングポリシが2フェーズプロセスに従う単一のGFlowNetを使用します。
パラメータは後部分布に含まれるため、これは局所確率モデルに対してより柔軟である。
論文 参考訳（メタデータ） (2023-05-30T19:16:44Z) - 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) - 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) - Bayesian Structure Learning with Generative Flow Networks [85.84396514570373]
ベイズ構造学習では、データから有向非巡回グラフ(DAG)上の分布を推定することに興味がある。
近年,ジェネレーティブ・フロー・ネットワーク(GFlowNets)と呼ばれる確率モデルのクラスが,ジェネレーティブ・モデリングの一般的なフレームワークとして紹介されている。
DAG-GFlowNetと呼ばれる本手法は,DAGよりも後方の正確な近似を提供する。
論文 参考訳（メタデータ） (2022-02-28T15:53:10Z) - The Bayesian Method of Tensor Networks [1.7894377200944511]
ネットワークのベイズ的枠組みを2つの観点から検討する。
本研究では,2次元合成データセットにおけるモデルパラメータと決定境界を可視化することにより,ネットワークのベイズ特性について検討する。
論文 参考訳（メタデータ） (2021-01-01T14:59:15Z)
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。