【Yoshua Bengio最新一作论文】GFlowNet基础，GFlowNet Foundations

生成流网络(GFlowNets)在主动学习环境中采样多样化的候选集合的一种方法，其训练目标是使它们按照给定的奖励函数的比例近似抽样。 在本文中，我们展示了GFlowNets的一些额外的理论性质。它们可以用来估计联合概率分布和相应的边际分布，其中一些变量是未指定的，特别有趣的是，可以表示在集合和图等复合对象上的分布。GFlowNets将通常由计算昂贵的MCMC方法所做的工作摊销在一个单一但经过训练的生成过程中。它们也可以用来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。我们引入变量，使熵和互信息的估计，从帕累托边界取样，连接到奖励最大化策略，并扩展到随机环境，连续行动和模块能量函数。

https://www.zhuanzhi.ai/paper/e6adb2c4a1bfad46e20524d5b2d10ef7

本文以Bengio等人(2021)引入的生成流网络(GFlowNets)为基础，为本吉欧等人(Bengio等人(2021))的主动学习场景提供了深度形式基础和理论成果集的扩展。GFlowNets的特性使其非常适合于从集合和图上的分布中建模和采样，估计自由能量和一般的边际分布，并用于从数据中学习能量函数，作为蒙特卡罗马尔可夫链(MCMC)的一个学习的、平摊的替代方案。

目录内容：

专知便捷查看

便捷下载，请关注专知公众号（点击上方蓝色专知关注）

• 后台回复“GFNF” 就可以获取《【Yoshua Bengio最新一作论文】GFlowNet基础，GFlowNet Foundations》专知下载链接

专知，专业可信的人工智能知识分发 ，让认知协作更快更好！欢迎注册登录专知www.zhuanzhi.ai，获取5000+AI主题干货知识资料！

欢迎微信扫一扫加入专知人工智能知识星球群，获取最新AI专业干货知识教程资料和与专家交流咨询！

点击“ 阅读原文 ”，了解使用 专知 ，查看获取5000+AI主题知识资源