生成流网络：一种马尔可夫链视角
机器学习
2023-07-06 v1
摘要
尽管马尔可夫链蒙特卡罗方法（MCMC）提供了一个从定义到归一化为止的概率分布中采样的通用框架，但当目标分布高度多模态时，它们往往收敛缓慢。最近，生成流网络（GFlowNets）被提出作为一种替代框架，在样本具有清晰组合结构时将采样视为序贯决策问题，以缓解此问题。尽管它们最初是从流网络的视角引入的，但 GFlowNets 的最新进展越来越多地从马尔可夫链文献中汲取灵感，完全绕过了对流的需求。在本文中，我们形式化了这一联系，并使用马尔可夫链为 GFlowNets 提供了一个新视角，将 GFlowNets 无论状态空间性质如何都视为递归马尔可夫链的统一视图。将 GFlowNets 置于与 MCMC 方法相同的理论框架下，也使我们能够识别两个框架之间的相似之处，最重要的是突出它们的
引用
@article{arxiv.2307.01422,
title = {Generative Flow Networks: a Markov Chain Perspective},
author = {Tristan Deleu and Yoshua Bengio},
journal= {arXiv preprint arXiv:2307.01422},
year = {2023}
}