arXiv cs.AI· Yonatan Gideoni, Yarin Gal·· 3 天前AI 评分26
分布匹配进化算法（DME）：无需更新权重即可从全局目标分布采样
Distribution Matching Evolutionary Algorithms for Rare Event Sampling
AI 导读
研究者提出分布匹配进化算法（DME），将多种进化算法解释为近似马尔可夫链蒙特卡洛，从而在不更新模型权重的情况下从全局目标分布中采样，可用于罕见事件采样与发现。在需要大量采样才能找到解的问题上，DME 的样本效率高于现有方法。
正文 · AI 翻译
摘要：一项新颖的发现既是有用的，也是令人惊讶的：如果生成模型的输出被生成的概率很低（令人惊讶），并且奖励很高（有用），那么它就是一个有用的发现。全局优化可以直接提高采样到高奖励的概率，但通常需要更新模型权重。这种基于梯度的优化代价高昂，并且阻碍了使用能力强大的闭源模型。相反，现代用于发现的搜索方法牺牲了全局目标，转而使用带有局部奖励最大化目标的进化算法，使得搜索只能聚焦于高概率样本。在本文中，我们将各种进化算法解释为近似马尔可夫链蒙特卡洛，这是一种无需优化的方法，用于从复杂分布中采样。这种解释使得我们能够开发分布匹配进化算法（DME），这是一类无需更新权重即可从全局目标分布中采样的搜索方法。在经验上，对于需要大量样本才能找到解的问题，DME 比现有方法具有更高的样本效率。
| 主题： | 神经与进化计算（cs.NE）；人工智能（cs.AI）；机器学习（cs.LG） |
| 引用为： | arXiv:2610.03833 [cs.NE] |
| （或使用 arXiv:2610.03833v2 [cs.NE] 查看此版本） | |
| https://doi.org/10.48550/arXiv.2610.03833 arXiv 颁发的 DOI，通过 DataCite |
提交历史
来自：Yonatan Gideoni [查看邮箱]
[v1]
2026年10月2日星期五 12:31:06 UTC（182 KB）
[v2]
2026年10月13日星期二 12:42:15 UTC（182 KB）
来源：arXiv cs.AI · arxiv.org