让流动告诉我们答案：使用 GFlowNets 解决图形组合优化问题

May, 2023

让流动告诉我们答案：使用 GFlowNets 解决图形组合优化问题

Let the Flows Tell: Solving Graph Combinatorial Optimization Problems with GFlowNets

Dinghuai Zhang, Hanjun Dai, Nikolay Malkin, Aaron Courville, Yoshua Bengio...

TL;DR本文提出了利用 GFlowNets 与 Markov 决策过程相结合的方法，通过训练条件 GFlowNets 来采样解空间，并通过各种合成数据和真实数据模拟多种不同的组合问题。通过大量实验证明，GFlowNet 策略可以高效地找到高质量解。

Abstract

combinatorial optimization (CO) problems are often NP-hard and thus out of reach for exact algorithms, making them a tempting domain to apply machine learning methods. The highly structured constraints in these problems can hinder either optimization or sampling directly in the

combinatorial optimization machine learning gflownets markov decision processes solution space

发现论文，激发创造

生成流网络：马尔可夫链角度

本文对 Generative Flow Networks 进行了形式化，并将其视为循环马尔科夫链状态空间下采样的一种方法，这一方法可以在不使用流动的情况下模拟复杂的多模态概率分布函数。

Jul, 2023

改进 GFlowNets 使用蒙特卡罗树搜索

我们运用蒙特卡罗树搜索算法（MCTS）提升了生成流网络的规划能力，实验证明这种方法提高了生成流网络的训练样本效率和预先训练模型的生成真实性。

Jun, 2024

探究与改进 GFlowNet 的训练

本文介绍了基于 GFlowNets 算法的生成模型策略，探究了如何在实际训练资源限制下实现更好的样本效率和匹配目标分布，提出了优先回放、相对边流策略参数化和新的引导轨迹平衡目标等方法来提高样本效率，有效解决了一些结构学分配问题。

May, 2023

具有 GFlowNets 的强健调度

本研究提出了一种新的调度方法，使用 GFlowNet 方法按比例抽样代理指标，通过在推理时间控制所提出的时间表的差异性和优良性之间的权衡以及将 GFlowNet 条件化为计算图，证明了相对于我们的方法，纯优化基线在目标模型上的性能不佳。

Jan, 2023

基于流网络的生成模型用于非迭代多样候选生成

本文提出了一种基于 GFlowNet 的生成策略来生成对象的方法，该方法将生成过程视为一种流动网络，并将一组轨迹转换为流动，并将流动一致性方程转换为学习目标，以实现训练时的搜索成本，从而提高了性能和多样性。

Jun, 2021

面向决策的图神经网络在组合优化中的应用

我们的研究工作的重点是通过决策导向的图学习，在组合优化问题中采用神经网络框架，提出了一个更高效和精确的框架。此外，我们引入了一个决策导向的框架，利用图神经网络解决具有辅助支持的组合优化问题。实验结果表明，我们的方法在经典组合优化问题上优于独立的图神经网络方法和传统方法。

Jun, 2024

生成流网络的贝叶斯结构学习

本研究提出了一种称为 DAG-GFlowNet 的方法，使用 Generative Flow Networks 代替 MCMC 来近似推断 Bayesian 网络结构的后验分布。实验结果表明，DAG-GFlowNet 能够提供准确的 DAG 后验近似，并且相对于 MCMC 或变分推断等方法具有优势。

Feb, 2022

多路径环境中的离散概率推断作为控制

通过在整个马尔可夫决策过程中近似强制执行流的守恒，我们扩展了最近的方法来纠正奖励，以确保最优最大熵强化学习策略引发的边缘分布与原始奖励成比例。

Feb, 2024

网络流的图神经建模

本研究基于图神经网络和边缘参数，提出了一种可优化多源汇间数据流分布和路由策略的方法，并在 17 种服务提供商拓扑和两种流路由方案的案例中得到了实质性的提升。同时，我们还发现了图结构与数据驱动流路由复杂度之间的联系。

Sep, 2022

随机环境下的预期流网络与两人零和游戏

生成流网络（GFlowNets）在多个结构化对象生成任务中取得成功，并扩展到包括蛋白质设计在内的随机环境，提出了预期流网络（EFlowNets）和对抗性流网络（AFlowNets）分别用于两人零和游戏，表明后者在 Connect 4 比赛中通过自对弈发现超过 80% 的最优移动，并超越 AlphaZero。

Oct, 2023