GFlow 网络的工作原理（深度学习）

Photo by 迈克尔·奥尔森 on 不飞溅

1. 使用 GFlowNets 进行生物序列设计（ arXiv )

作者 ： 莫克什耆那教 , 伊曼纽尔·本吉奥 , 亚历克斯-埃尔南德斯·加西亚 , 贾里德校长布鲁克斯 , Bonaventure FP Dossou , Chanakya Ekbote , Jie Fu , Tianyu Zhang , 迈克尔·乔高 , Dinghuai Zhang , 莉娜·西敏 , 帕耶尔达斯 , 约书亚·本吉奥

抽象的 ： 具有所需特性的从头生物序列的设计，如蛋白质和 DNA 序列，通常涉及具有多轮分子构思和昂贵的湿实验室评估的活动环。这些实验可以由多个阶段组成，精确度和评估成本水平不断提高，候选者被筛选出来。这使得提议候选人的多样性成为构思阶段的关键考虑因素。在这项工作中，我们提出了一种利用认知不确定性估计和最近提出的主动学习算法 GFlowNets 作为不同候选解决方案的生成器，其目标是在每轮之后获得不同批次的有用（由某些效用函数定义，例如，肽的预测抗微生物活性）和信息丰富的候选解决方案。我们还提出了一种方案，除了奖励功能外，还可以合并现有的候选标记数据集，以加快学习速度。 GFlowNets .我们展示了几个生物序列设计任务的经验结果，我们发现与现有方法相比，我们的方法生成了更多多样化和新颖的批次，具有高分候选。

2. GFlowNet 基金会（ arXiv )

作者 ： 约书亚·本吉奥 , 塞勒姆·拉鲁 , 特里斯坦德勒 , 爱德华·J·胡 , 莫蒂瓦里 , 伊曼纽尔·本吉奥

抽象的 ： 生成流网络 ( GFlowNets ) 已被引入作为一种在主动学习环境中对各种候选者进行抽样的方法，其训练目标是使它们与给定的奖励函数成比例地近似抽样。在本文中，我们展示了一些额外的理论性质 GFlowNets .它们可用于估计联合概率分布和相应的边际分布，其中某些变量未指定，特别有趣的是，它们可以表示集合和图形等复合对象上的分布。 GFlowNets 将通常通过计算昂贵的 MCMC 方法完成的工作摊销到一个经过训练的生成通道中。它们还可用于估计配分函数和自由能、给定子集（子图）的超集（超图）的条件概率，以及给定集（图）的所有超集（超图）的边际分布。我们引入了能够估计熵和互信息的变体，从帕累托前沿采样，与奖励最大化策略的连接，以及对随机环境、连续动作和模块化能量函数的扩展。

3.Trajectory Balance：改进 GFlowNets 中的信用分配（ arXiv )

作者 ： 尼古拉·马尔金 , 莫克什耆那教 , 伊曼纽尔·本吉奥 , Chen Sun , 约书亚·本吉奥

抽象的 ： 生成流网络 ( GFlowNets ) 是一种学习随机策略的方法，用于通过动作序列从给定的非标准化密度生成组合对象，例如图形或字符串，其中许多可能的动作序列可能导致相同的对象。用于训练的先验时间差异学习目标 GFlowNets ，例如流匹配和详细平衡，很容易在动作序列之间进行低效的信用传播，特别是在长序列的情况下。我们提出了一个新的学习目标 GFlowNets ，轨迹平衡，作为以前使用的目标的更有效替代方案。我们证明了轨迹平衡目标的任何全局最小化器都可以定义一个从目标分布中精确采样的策略。在四个不同领域的实验中，我们凭经验证明了轨迹平衡目标的好处 流网 收敛性、生成样本的多样性以及对长动作序列和大动作空间的鲁棒性。

4. 使用 GFlowNets 统一生成模型（ arXiv )

作者 ： Dinghuai Zhang , Ricky TQ Chen , 尼古拉·马尔金 , 约书亚·本吉奥

抽象的 ： 有许多用于深度生成建模的框架，每个框架通常都有自己特定的训练算法和推理方法。我们就现有深度生成模型与 流网 框架，揭示了它们的重叠特征，并通过马尔可夫轨迹学习的镜头提供了一个统一的观点。这提供了一种统一训练和推理算法的方法，并提供了构建生成模型聚合的途径

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明

本文链接：https://www.qanswer.top/22920/58250909