GFlowState：超越奖励的生成流网络训练可视化
机器学习
2026-04-24 v1 人机交互
摘要
我们提出了 GFlowState，一个旨在阐明生成流网络（GFlowNets 或 GFNs）训练过程的可视化分析系统。GFlowNets 是一种用于按奖励函数比例生成样本的概率框架。虽然 GFlowNets 在分子和材料发现等应用中已被证明是强大的工具，但其训练动力学仍难以解释。标准的机器学习工具允许跟踪指标，但不揭示模型如何探索样本空间、构建样本轨迹或在训练期间转移采样概率。我们的解决方案，GFlowState，允许用户分析采样轨迹、比较相对于参考数据集的样本空间，并分析训练动力学。为此，我们引入了多个视图，包括候选排名图、状态投影、轨迹网络的节点链接图以及转换热图。这些可视化使 GFlowNet 开发者和用户能够调查采样行为和策略演化，并识别未被探索的区域和训练失败的来源。案例研究表明，该系统支持跨应用领域的调试和评估 GFlowNets 的质量。通过使 GFlowNets 的结构动力学可观测化，我们的工作增强了其可解释性，并可在实践中加速 GFlowNet 的开发。
引用
@article{arxiv.2604.21830,
title = {GFlowState: Visualizing the Training of Generative Flow Networks Beyond the Reward},
author = {Florian Holeczek and Andreas Hinterreiter and Alex Hernandez-Garcia and Marc Streit and Christina Humer},
journal= {arXiv preprint arXiv:2604.21830},
year = {2026}
}