强化学习解效率提升：引入子GFlowNet与熵集成
机器学习
2024-10-02 v1
摘要
传统强化学习在生成多样化高奖励解方面常常面临挑战，尤其是在药物设计和黑箱函数优化等领域。马尔可夫链蒙特卡洛(MCMC)方法是RL中一种备选方案，但受限于高计算成本和有限的候选多样性探索能力。在此基础上，本文提出改进GFlowNet的方法，通过引入新的损失函数并优化子GFlowNet的训练目标，以集成熵并利用网络结构特征，从而提升候选解的多样性和计算效率。我们通过超网格实验和分子合成任务的实证结果，证明了改进后的GFlowNet在生成解决方案方面优于传统方法。这些发现凸显了在分子合成及其他实验设计中，集成熵并利用网络结构属性在解决方案生成中的有效性。
引用
@article{arxiv.2410.00461,
title = {Enhancing Solution Efficiency in Reinforcement Learning: Leveraging Sub-GFlowNet and Entropy Integration},
author = {Siyi He},
journal= {arXiv preprint arXiv:2410.00461},
year = {2024}
}