arXiv cs.AI· Tiago da Silva, Amauri H. Souza, Salem Lahlou·· 10 天前AI 评分22
GFlowNets 混合模型学习：SC GFlowNets 实现并行训练加速收敛
Learning a Mixture of GFlowNets
AI 导读
研究者提出描述 GFlowNets 混合的通用理论框架，将其分为连续索引（CI）和离散索引（DI）两类。CI GFlowNets 可通过随机特征展开解释，提升图结构任务采样器的表达能力并降低学习不稳定性；DI GFlowNets 涵盖此前训练方法，并衍生出受 Doob h-transform 启发的 Stratum-Conditioned（SC）GFlowNets。
正文 · AI 翻译
摘要：学习一组 GFlowNet 集成以从离散目标分布中采样，已成为比单一采样器实现更好状态空间探索和收敛的常见方法。然而，这些方法通常会给基础模型带来大量的运行时开销，并且它们之间的概念联系仍然难以捉摸。为了解决这个问题，我们首先提出了一个通用理论框架来描述 GFlowNet 的混合，并将其特化为连续索引（CI）和离散索引（DI）集合。一方面，我们表明 CI GFlowNet 可以通过随机特征展开的视角来解释，可证明地提升了采样器在图结构任务中的表达能力，并通过谱偏移减少了学习不稳定性。另一方面，我们证明 DI GFlowNet 涵盖了先前的 GFlowNet 训练方法，并为新提出的分层条件（SC）GFlowNet 提供了基础。该方法受马尔可夫链的 Doob h 变换启发，根据规定的模块化函数分解状态空间，并限制每个组件从不同的子集中采样。重要的是，SC GFlowNet 支持集中式和组件级易并行训练，我们表明两者都能显著加速学习收敛和模式覆盖，而不会引入任何不可忽略的额外计算。
| 学科： | 机器学习（cs.LG）；人工智能（cs.AI）；机器学习（stat.ML） |
| 引用为： | arXiv:2610.07562 [cs.LG] |
| （或 arXiv:2610.07562v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.07562 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Amauri Souza [查看电子邮件]
[v1]
2026年10月6日星期二 00:49:26 UTC（6,836 KB）
来源：arXiv cs.AI · arxiv.org