从结构中提取信号：在生成式流网络中利用亚调和上界
机器学习
2026-05-12 v2 机器学习
摘要
生成式流网络（GFlowNets；GFNs）是一类学习按其先验未知价值（即奖励）比例采样组成对象的生成模型。我们聚焦于奖励具有指定且可操作结构的情况，即亚调和性。我们展示了可利用亚调和性检索尚未观察到的组成对象奖励的上界。我们对此类上界出现的概率以及多少个未观察到的组成对象可被上界覆盖进行了深入分析。遵循“面对不确定性保持乐观”（Optimism in the Face of Uncertainty）原则，我们随后引入 SUBo-GFN，该模型利用亚调和上界进行训练。我们表明，SUBo-GFN 对于相同的查询次数，比经典 GFNs 生成的训练数据数量高出数个数量级。我们在合成和真实世界亚调和任务中，以分布匹配和高质量候选生成等方面证明了 SUBo-GFN 的有效性。
引用
@article{arxiv.2601.21061,
title = {Signal from Structure: Exploiting Submodular Upper Bounds in Generative Flow Networks},
author = {Alexandre Larouche and Audrey Durand},
journal= {arXiv preprint arXiv:2601.21061},
year = {2026}
}