Fugu-MT 論文翻訳(概要): Hierarchical Cooperative GFlowNets

論文の概要: Hierarchical Cooperative GFlowNets

arxiv url: http://arxiv.org/abs/2610.33968v2
Date: Fri, 30 Oct 2026 00:53:38 GMT
ステータス: 翻訳完了
システム内更新日: 2026-11-02 22:05:31.353114
Title: Hierarchical Cooperative GFlowNets
Title（参考訳）: 階層型協調型GFlowNet
Abstract要約: 生成フローネットワーク(GFlowNets)は、報酬関数に比例した確率を持つ合成空間からオブジェクトをサンプリングするために訓練される。非効率な探索は、学習したサンプルがいくつかの高次領域に集中する原因となる。本稿では,探索空間を動的に分割して発見を協調する階層的協調型GFlowNets(HCG)を提案する。
参考スコア（独自算出の注目度）: 8.411131537207394
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Generative Flow Networks (GFlowNets) are trained to sample objects from compositional spaces with probability proportional to a reward function, but ineffective exploration can cause learned samplers to concentrate on a few high-reward regions. An intuitive remedy is to train multiple GFlowNets independently in parallel and combine their samples. However, this does not prevent multiple models from collapsing onto the same high-reward areas, leaving large regions of the state space unexplored. With this in mind, we propose Hierarchical Cooperative GFlowNets (HCG), an approach that dynamically partitions the search space to coordinate discovery without relying on hand-crafted boundaries. HCG imposes an ordering in which the highest-ranked model may explore the entire space, while lower-ranked models are progressively pushed toward regions not covered by higher-ranked ones. We provide a theoretical characterization of how specific learning objectives can shift probability mass away from designated areas, instantiating this mechanism within our architecture. A shared classifier coordinates the hierarchy by partitioning the search space, keeping the GFlowNets independently parameterized and enabling asynchronous training. Furthermore, we derive a normalizer-weighted aggregation rule for the ensemble and prove that it recovers the target reward-proportional distribution under the stated assumptions. Finally, experiments across multimodal distributions, sequence generation, combinatorial optimization, and biological sequence design show that HCG improves mode coverage and target approximation, translating increases in the number of coordinated samplers into broader, complementary exploration.
Abstract（参考訳）: 生成フローネットワーク(GFlowNets)は、報酬関数に比例する確率を持つ合成空間からオブジェクトをサンプリングするように訓練されているが、非効率な探索により、学習者はいくつかの高次領域に集中することができる。直感的な治療法は、複数のGFlowNetを独立してトレーニングし、それらのサンプルを組み合わせることである。しかし、これは複数のモデルが同じ高次領域に崩壊するのを防げず、状態空間の広い領域は未探索のままである。これを考慮して階層的協調型GFlowNets (HCG) を提案する。 HCGは、上位のモデルが全空間を探索し、下位のモデルは上位のモデルがカバーしていない領域へ徐々に押し下げる順序付けを課している。我々は,特定の学習目標が,特定の領域から確率質量を逸脱させ,そのメカニズムをアーキテクチャ内でインスタンス化する方法を理論的に評価する。共有分類器は、検索空間を分割して階層を調整し、GFlowNetsを独立にパラメータ化し、非同期トレーニングを可能にする。さらに,アンサンブルに対する正規化器重み付き集約ルールを導出し,その仮定に基づき,対象の報奨分布を復元することを示す。最後に, マルチモーダル分布, シーケンス生成, 組合せ最適化, および生物配列設計に関する実験により, HCGはモードカバレッジと目標近似を改善し, コーディネート標本数の増加をより広範に補完的な探索に変換することを示した。

関連論文リスト

Learning a Mixture of GFlowNets [15.602386891697718]
本稿では,GFlowNetの混合を記述するための汎用理論フレームワークを提案する。一方、CI GFlowNetsは、ランダムな特徴拡張のレンズを通して解釈可能であることを示す。一方,DI GFlowNets は GFlowNet トレーニングの従来のアプローチを包含し,新たに提案された Stratum-Conditioned (SC) GFlowNets の基盤を提供する。
論文参考訳（メタデータ） (2026-10-06T00:49:26Z)
Cross-Sample Relational Fusion: Unifying Domain Generalization and Class-Incremental Learning [83.67663266193308]
CIL(Class-Incremental Learning)は、学習システムにおいて、それまでの知識を維持しつつ、新しいクラスを学ぶことを必要とする。自動運転車のような現実のシナリオでは、晴れた日に都市部の道路で訓練されたシステムは、後に農村部や高速道路環境で運用する必要がある。ドメインシフトと破滅的な忘れを同時に解決する統合フレームワークを提案する。
論文参考訳（メタデータ） (2026-05-09T09:49:13Z)
Avoid What You Know: Divergent Trajectory Balance for GFlowNets [14.524997986396713]
本稿では,標準GFlowNetが探索する領域における高次状態の探索を,GFlowNetが明示的に訓練した探索手法を提案する。本研究では,多種多様な高次状態の目標分布と発見率に対する近似精度の観点から,先行作業においてACEは著しく向上することを示す。
論文参考訳（メタデータ） (2026-02-19T20:47:28Z)
Exploring Multiple High-Scoring Subspaces in Generative Flow Networks [15.81040206459648]
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。
論文参考訳（メタデータ） (2026-02-12T02:30:52Z)
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)
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)
OMH: Structured Sparsity via Optimally Matched Hierarchy for Unsupervised Semantic Segmentation [69.37484603556307]
Un Semantic segmenting (USS)は、事前に定義されたラベルに頼ることなく、イメージをセグメント化する。上記の問題を同時に解決するために,OMH (Optimally Matched Hierarchy) という新しいアプローチを導入する。我々のOMHは既存のUSS法と比較して教師なしセグメンテーション性能がよい。
論文参考訳（メタデータ） (2024-03-11T09:46:41Z)
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。