探索生成流网络中多个高分数子空间
机器学习
2026-02-13 v1
摘要
作为一种概率采样框架，生成式流网络（GFlowNets）在通过基本组件的顺序组合来构建复杂组合对象方面显示出强大的潜力。然而，现有的GFlowNets常常因在广阔状态空间中的过度探索而受限，导致对低奖励区域的过采样，并收敛于次优分布。有效地将GFlowNets偏向高奖励解决方案仍是一个具有挑战性的难题。本文提出了CMAB-GFN，将组合多臂老虎机（CMAB）框架与GFlowNet策略相结合。CMAB组件通过修剪低质量动作，生成用于探索的紧凑高分数子空间。将GFlowNets限制在这些紧凑的高分数子空间内，可加速发现高价值候选对象的同时，探索不同子空间的过程确保了多样性不会被牺牲。多个任务的实验结果表明，CMAB-GFN生成的高奖励候选对象优于现有方法。
引用
@article{arxiv.2602.11491,
title = {Exploring Multiple High-Scoring Subspaces in Generative Flow Networks},
author = {Xuan Yu and Xu Wang and Rui Zhu and Yudong Zhang and Yang Wang},
journal= {arXiv preprint arXiv:2602.11491},
year = {2026}
}