通过到达实现路由：预训练 GFlowNets 组合用于多目标生成

生成流网络（GFlowNets）学习按奖励函数比例采样多样化候选方案，因而非常适合科学发现领域，后者需要探索多个有前景的解决方案。进一步将 GFlowNets 扩展到多目标设置引起日益关注，因为现实应用通常涉及多个相互冲突的目标。然而，现有方法需要针对每种目标组合进行联合训练，这意味着任何目标集合的变更都需要从头开始重新训练。我们提出了一个框架，在推理时组合预训练的 GFlowNets，实现无需微调或重新训练的快速适应。重要的是，我们的框架灵活，能够处理从线性标量化到复杂非线性算子等多样化的奖励组合，这些在先前文献中通常被单独处理。我们证明该方法在线性标量化下精确恢复目标分布，并通过失真因子量化非线性算子的近似质量。在合成 2D 网格和真实世界分子生成任务上的实验表明，我们的方法与基线方法相当。