Baking Symmetry into GFlowNets
机器学习
2024-06-11 v1
摘要
GFlowNets 在生成高奖励样本方面表现出色，逐步生成对象，学习分配样本概率的策略。然而，当前的 GFlowNets 训练流程未考虑等价动作的存在，即导致产生对称或等价状态的动作。这种缺乏对称性增加了训练 GFlowNets 所需的样本数量，可能导致不有效甚至不正确的流函数。结果是奖励和生成对象的多样性下降。本研究旨在通过识别生成过程中等效动作，将对称性集成到 GFlowNets 中。使用合成数据的实验结果表明，我们提出的方法性能前景十分乐观。
引用
@article{arxiv.2406.05426,
title = {Baking Symmetry into GFlowNets},
author = {George Ma and Emmanuel Bengio and Yoshua Bengio and Dinghuai Zhang},
journal= {arXiv preprint arXiv:2406.05426},
year = {2024}
}