全球序 GFlowNets
机器学习
2025-04-07 v1 人工智能
摘要
序保持 (OP) GFlowNets 在利用随机优化技术解决复杂多目标 (MOO) 黑箱优化问题方面显示出惊人的成功。具体而言，它们可以在线训练，以高效采样 Pareto 前沿附近的 diverse 候选者。OP GFlowNets 的关键优势在于其可基于帕累托支配性对训练样本施加局部序，从而消除对标量化的需求——这是其他方法（如偏好条件 GFlowNets）的常见要求。然而，我们识别出 OP GFlowNets 的一个重要局限性：对训练样本施加局部序可能导致优化目标相互冲突。为解决此问题，我们提出全球序 GFlowNets，通过将局部序转化为全局序来解决这些冲突。我们的实验在各种基准上 demonstrate 了我们方法的有效性和前景。
引用
@article{arxiv.2504.02968,
title = {Global-Order GFlowNets},
author = {Lluís Pastor-Pérez and Javier Alonso-Garcia and Lukas Mauch},
journal= {arXiv preprint arXiv:2504.02968},
year = {2025}
}
备注
8 pages, ICLR 2025 Workshop format