重新审视离散环境中的非无环 GFlowNets
机器学习
2025-09-12 v3 机器学习
摘要
Generative Flow Networks (GFlowNets) 是一类生成模型，旨在学习从给定概率分布（可能仅已知至归一化常数）中采样对象。GFlowNets 不在对象空间中工作，而是通过在适当构建的有向无环图环境中采样轨迹来进行，这极大地依赖于图的无环性。在本文中，我们重新审视了放宽无环性假设的理论，并为离散环境中的非无环 GFlowNets 提出了一个更简单的理论框架。此外，我们提供了各种新颖的理论见解，涉及固定后向策略的训练、流函数的性质，以及熵正则化 RL 与非无环 GFlowNets 之间的联系，这些见解自然地推广了无环环境中的相应概念和理论结果。此外，我们在实验上重新检验了非无环 GFlowNet 训练中损失稳定性的概念，并验证了我们自己的理论发现。
引用
@article{arxiv.2502.07735,
title = {Revisiting Non-Acyclic GFlowNets in Discrete Environments},
author = {Nikita Morozov and Ian Maksimov and Daniil Tiapkin and Sergey Samsonov},
journal= {arXiv preprint arXiv:2502.07735},
year = {2025}
}
备注
ICML 2025; minor corrections in proofs of Proposition 3.6 and 3.8 in v3, all results remain unchanged