arXiv cs.AI· Nikita Morozov, Ian Maksimov, Daniil Tiapkin, Sergey Samsonov·· 3 天前AI 评分22
用生成流网络（GFlowNets）学习最短路径
Learning Shortest Paths with Generative Flow Networks
AI 导读
研究者提出一种基于生成流网络（GFlowNets）的最短路径学习框架，证明当总流量最小时，前向与后向策略仅沿初始与终止状态间的最短路径遍历环境图。该方法将任意无权图的最短路径问题归约为寻找总流量最小的非无环 GFlowNet，并用流量正则化训练近似求解。在排列环境寻路和多种尺寸魔方求解中，其解长度与专为该任务设计的 SOTA 机器学习方法相当，且测试时所需搜索预算更小。
正文 · AI 翻译
摘要：在本文中，我们提出了一种利用生成流网络（GFlowNets）在图中寻找最短路径的新型学习框架。首先，我们研究了 GFlowNets 在非无环环境中与最短路径相关的理论性质。我们证明，如果总流量被最小化，前向和后向策略将仅沿初始状态与终止状态之间的最短路径遍历环境图。基于这一结果，我们将任意无权图中的最短路径寻找问题归约为寻找总流量最小的非无环 GFlowNet，并通过流量正则化训练在实践中对其进行近似。我们通过实验展示了我们的方法在排列环境中的路径寻找以及求解各种尺寸魔方中的性能。对于后者，我们的方法在解长度方面与专为该任务设计的最先进机器学习方法相比具有竞争力的结果，同时在测试时需要更小的搜索预算。
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI）；机器学习（stat.ML） |
| 引用为： | arXiv:2603.01786 [cs.LG] |
| （或 arXiv:2603.01786v2 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2603.01786 arXiv 颁发的 DOI 通过 DataCite |
提交历史
来自：Nikita Morozov [查看电子邮件]
[v1]
2026年3月2日星期一 12:12:13 UTC（307 KB）
[v2]
2026年10月13日星期二 12:47:07 UTC（334 KB）
来源：arXiv cs.AI · arxiv.org