具概率保证的稳定 GFlowNets
机器学习
2026-05-05 v1 机器学习
摘要
生成流网络（GFlowNets）学习按未归一化奖励比例抽样状态。尽管其理论前景广阔，但实际训练常不稳定，出现严重的损失峰值和模式坍缩。为解决这一问题，我们首先评估了 GFlowNet 目标函数的敏感性，表明小的总变差（TV）距离并不预clude 训练损失无界。基于这一偏差， 我们通过推导损失到 TV 距离的逆向保证，建立了从有界轨迹平衡损失保证全局保真度的理论框架。最后，我们提出了 Stable GFlowNets 算法，利用理论结果稳定训练，经实证验证其改进的训练行为和优越的分布保真度。
引用
@article{arxiv.2605.01729,
title = {Stable GFlowNets with Probabilistic Guarantees},
author = {Zengxiang Lei and Ananth Shreekumar and Jonathan Rosenthal and Ruoyu Song and Alvaro A. Cardenas and Daniel J. Fremont and Dongyan Xu and Satish Ukkusuri and Z. Berkay Celik},
journal= {arXiv preprint arXiv:2605.01729},
year = {2026}
}
备注
Submitted to ICML2026