通过增强认知神经网络实现GFlowNets中的高效探索
机器学习
2025-10-23 v2 人工智能
摘要
在GFlowNets中高效识别训练所需的正确轨迹仍是未解决的问题。为此，必须优先探索奖励分布尚未充分学习的状态空间中的区域。这要求进行不确定性驱动的探索，即智能体应意识到自己所不知道的事物。这种属性可以通过联合预测来衡量，对于组合和序列决策问题尤为重要。本研究将认知神经网络（ENN）与GFlowNets的常规架构集成，以实现更高效的联合预测和更好的不确定性量化，从而提高探索效率并更准确地识别最优轨迹。我们提出的算法ENN-GFN-Enhanced与GFlowNets的基线方法进行比较，并在网格环境和结构化序列生成等不同场景中进行评估，显示其在有效性和效率方面均具有优势。
引用
@article{arxiv.2506.16313,
title = {Improved Exploration in GFlownets via Enhanced Epistemic Neural Networks},
author = {Sajan Muhammad and Salem Lahlou},
journal= {arXiv preprint arXiv:2506.16313},
year = {2025}
}
备注
Accepted to the EXAIT Workshop at ICML 2025, and ICoIAS 2025