論文の概要: IFlowNets: Extending Generative Samplers to Learn Strategies in Incomplete Information Games

• arxiv url: http://arxiv.org/abs/2608.05422v1
• Date: Wed, 05 Aug 2026 21:31:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-07 15:25:20.788661
• Title: IFlowNets: Extending Generative Samplers to Learn Strategies in Incomplete Information Games
• Title（参考訳）: IFlowNets: 生成サンプルを拡張して不完全な情報ゲームで戦略を学ぶ
• Abstract要約: 生成フローネットワークフレームワークであるAdversarial Flow Networks(AFlowNets)を,情報フローネットワーク(IFNs)と呼ばれる不完全な情報ゲームに拡張する。 完全情報ゲームにおける生成フローネットワークに対する制約が,有効密度(プレイヤー戦略に対応する)と有効なトレーニング目標の獲得には適さないことを実証する。 3つの標準的なゲーム環境の予備的な結果として、IFlowNetsはアウトカムモンテカルロ対実レグレット(OSMCCFR)と標準RLベースの性能と速度の手法とを両立させる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While many algorithms blend reinforcement learning (RL) with counterfactual regret (CFR) methods to leverage tradeoffs in computational speed and performance, there are fewer investigations into generative sampling frameworks in game theoretic applications in incomplete information games. We extend a generative flow network framework, Adversarial Flow Networks (AFlowNets), to incomplete information games, called Information Flow Networks (IFNs). We prove that previously established constraints for generative flow networks in complete information games are inadmissible for obtaining valid densities (corresponding to player strategies) and a valid training objective. We show that our proposed generalization, IFlowNets, alleviates this issue and strictly generalizes AFlowNets. In preliminary results for three standard game environments, IFlowNets perform comparably to or better than Outcome Sampling Monte Carlo Counterfactual Regret (OSMCCFR) and standard RL-based methods in performance and speed.
• Abstract（参考訳）: 多くのアルゴリズムは、強化学習(RL)と対実的後悔(CFR)法を組み合わせて計算速度と性能のトレードオフを利用するが、不完全情報ゲームにおけるゲーム理論応用における生成的サンプリングフレームワークの研究は少ない。 生成フローネットワークフレームワークであるAdversarial Flow Networks(AFlowNets)を,情報フローネットワーク(IFNs)と呼ばれる不完全な情報ゲームに拡張する。 完全情報ゲームにおける生成フローネットワークに対する制約が,有効密度(プレイヤー戦略に対応する)と有効なトレーニング目標の獲得には適さないことを実証する。 提案する一般化 IFlowNets はこの問題を緩和し,AFlowNets を厳格に一般化することを示す。 3つの標準的なゲーム環境の予備的な結果として、IFlowNetsはパフォーマンスと速度において、Monte Carlo Counterfactual Regret (OSMCCFR) と標準RLベースの手法とを比較検討した。

関連論文リスト

• WINFlowNets: Warm-up Integrated Networks Training of Generative Flow Networks for Robotics and Machine Fault Adaptation [1.7094085866965287]
  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。
  論文  参考訳（メタデータ） (2026-03-18T02:55:02Z)
• Learning Efficient Meshflow and Optical Flow from Event Cameras [89.06553762828521]
  イベントベースのメッシュフロー推定は、イベントカメラから空間的に滑らかなスパース運動場を予測する新しいタスクである。 本稿では,特殊なエンコーダ・デコーダアーキテクチャを備えた軽量モデルである,イベントベースのMeshFlowネットワークを提案する。 我々は、最近の最先端フロー法と比較して、EEMFlowモデルの異常な性能と実行効率(30倍高速)を示す包括的な実験を行う。
  論文  参考訳（メタデータ） (2025-10-05T09:30:59Z)
• Investigating Generalization Behaviours of Generative Flow Networks [2.9323961779599736]
  生成フローネットワーク(英: Generative Flow Networks, GFlowNets)は、離散空間上の非正規化確率質量関数を学習するための生成フレームワークである。 GFlowNetの一般化の仮説的なメカニズムを実証的に検証する。
  論文  参考訳（メタデータ） (2024-02-07T23:02:53Z)
• 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)
• Expected flow networks in stochastic environments and two-player zero-sum games [63.98522423072093]
  生成フローネットワーク(GFlowNets)は、所定の分布に合わせてトレーニングされた逐次サンプリングモデルである。 我々はGFlowNetsを環境に拡張する予測フローネットワーク(EFlowNets)を提案する。 本稿では,タンパク質設計などのタスクにおいて,EFlowNetが他のGFlowNetよりも優れていることを示す。 次に、EFlowNetsの概念を敵環境に拡張し、2プレイヤーゼロサムゲームのための敵フローネットワーク(AFlowNets)を提案する。
  論文  参考訳（メタデータ） (2023-10-04T12:50:29Z)
• 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)
• 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)
• 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)
• Generative Augmented Flow Networks [88.50647244459009]
  GFlowNetsに中間報酬を組み込むためにGAFlowNets(Generative Augmented Flow Networks)を提案する。 GAFlowNetsは、エッジベースとステートベース固有の報酬を共同で活用して、探索を改善することができる。
  論文  参考訳（メタデータ） (2022-10-07T03:33:56Z)
• GMFlow: Learning Optical Flow via Global Matching [124.57850500778277]
  光フロー推定学習のためのGMFlowフレームワークを提案する。 機能拡張のためのカスタマイズトランスフォーマー、グローバル機能マッチングのための相関層とソフトマックス層、フロー伝搬のための自己保持層である。 我々の新しいフレームワークは、挑戦的なSintelベンチマークにおいて、32項目RAFTのパフォーマンスより優れています。
  論文  参考訳（メタデータ） (2021-11-26T18:59:56Z)

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。