多目标 GFlowNets
机器学习
2023-07-19 v2 机器学习
摘要
我们在多目标优化的背景下研究生成多样化候选解的问题。在药物发现和材料设计等许多机器学习应用中，目标是生成同时优化一组潜在冲突目标的候选解。此外，这些目标往往是对某些潜在感兴趣属性的不完美评估，因此生成多样化候选解以在昂贵的下游评估中提供多种选择十分重要。我们提出多目标 GFlowNets (MOGFNs)，一种基于 GFlowNets 的生成多样化帕累托最优解的新方法。我们引入 MOGFNs 的两种变体：MOGFN-PC，其通过奖励条件 GFlowNets 对由标量化函数定义的独立子问题族建模；以及 MOGFN-AL，其在主动学习循环中求解由获取函数定义的一系列子问题。我们在多种合成与基准任务上的实验证明了所提方法在帕累托性能方面的优势，且重要的是，候选多样性得到提升，这是本工作的主要贡献。
引用
@article{arxiv.2210.12765,
title = {Multi-Objective GFlowNets},
author = {Moksh Jain and Sharath Chandra Raparthy and Alex Hernandez-Garcia and Jarrid Rector-Brooks and Yoshua Bengio and Santiago Miret and Emmanuel Bengio},
journal= {arXiv preprint arXiv:2210.12765},
year = {2023}
}
备注
23 pages, 8 figures. ICML 2023. Code at: https://github.com/GFNOrg/multi-objective-gfn