部分 GFlowNet：通过战略分区加速大状态空间中的收敛
机器学习
2026-02-13 v1
摘要
生成式流网络 (GFlowNets) 已显示出以与奖励成比例的概率生成高得分候选对象的潜力。由于现有 GFlowNets 在状态空间中自由探索，他们在扩展到大型状态空间时面临显著的收敛挑战。为解决此问题，本文提出限制演员的探索范围。引入一个规划器将整个状态空间划分为重叠的部分状态空间。鉴于其有限的大小，这些部分状态空间允许演员高效识别具有更高奖励的子区域。引入一种启发式策略以切换部分区域，从而防止演员浪费时间探索已完全探索或低奖励的部分区域。通过迭代探索这些部分状态空间，演员学习如何收敛到整个状态空间中具有更高奖励的子区域。实验在几个广泛使用的数据集上进行，表明 \modelname 在大型状态空间上的收敛速度快于现有方法。此外，\modelname 不仅生成奖励更高的候选对象，而且显著提高了其多样性。
引用
@article{arxiv.2602.11498,
title = {Partial GFlowNet: Accelerating Convergence in Large State Spaces via Strategic Partitioning},
author = {Xuan Yu and Xu Wang and Rui Zhu and Yudong Zhang and Yang Wang},
journal= {arXiv preprint arXiv:2602.11498},
year = {2026}
}