GFlowNets for AI-driven scientific discovery
PulseAugur coverage of GFlowNets for AI-driven scientific discovery — every cluster mentioning GFlowNets for AI-driven scientific discovery across labs, papers, and developer communities, ranked by signal.
10 天有情绪数据
-
AI 推动量子纠错码设计与解码进展
研究人员开发了新颖的AI方法来改进量子纠错码的设计和解码。其中一种方法GFlowQEC利用生成流网络高效搜索和提出高分量子LDPC码，在寻找新的有效码方面显著优于传统方法。另一种方法引入了一个“解码器模型工厂”，它使用知识蒸馏来训练连续的解码模型，使其能够适应不同的码族、硬件和噪声条件，目标是实现可扩展、低延迟的量子解码器。
-
新的GFlowNet训练方法学习可解释的生成顺序
研究人员引入了学习顺序GFlowNet（Learning-Order GFlowNet），这是一种旨在提高GFlowNets收敛性的新型训练方法。GFlowNets是一类用于从离散分布中采样的模型。这种新方法在无需显式标注的情况下学习可解释的生成顺序，解决了标准GFlowNets难以发现有效顺序的挑战。研究还表明，梯度信噪比（SNR）在有用生成顺序的出现中起着作用，可能为表征最优顺序提供一种途径。
-
新的 GFlowNet 训练方法提高了探索和收敛性
研究人员推出了一种新颖的生成流网络（GFlowNets）训练方法——负强化动力学（NRD）。与依赖半梯度并将采样分布视为固定的现有方法不同，NRD 利用全梯度揭示了一种反探索机制。该方法将双人博弈动力学与单策略动力学联系起来，使采样器能够避开高误差区域并提高探索效率。与当前方法相比，NRD 在标准基准测试中表现出更优越的性能，在无需单独的教师或辅助策略的情况下实现了更快的收敛和更好的探索。
-
新的 DEG 框架增强了车辆路径问题的 AI 解决方案
研究人员开发了一个名为 Diffusion-Enhanced GFlowNet (DEG) 的新框架，该框架结合了 GFlowNet 和扩散模型，以改进车辆路径问题的求解。该方法旨在通过增强高回报区域的流扩展来克服传统神经求解器的局限性，从而产生更多样化、更高质量的解决方案。DEG 利用 GFlowNet 的边缘级信号和扩散模型的结构指导，实验表明其在多达 10,000 个节点的实例上是有效的。
-
新的分层GFlowNets增强AI探索能力
研究人员引入了分层协作GFlowNets（HCG），这是一种旨在提高生成式流网络（GFlowNets）探索能力的新方法。与可能导致采样集中在高回报区域的传统方法不同，HCG动态地划分搜索空间，以协调多个GFlowNets之间的发现。这种分层结构将排名较低的模型推向尚未被排名较高的模型探索的区域，从而确保更广泛的状态空间覆盖。在序列生成和生物序列设计等领域的实验表明，HCG在增强模式覆盖和目标逼近方面是有效的。
-
GFlowPO框架使用生成流网络优化语言模型提示
研究人员推出了一种新颖的语言模型提示优化框架 GFlowPO。该方法利用生成流网络 (GFlowNets) 进行高效的离策略学习，使其能够重用过去的提示评估。GFlowPO 还包含一个动态内存更新机制，通过整合多样化和表现最佳的示例来逐步优化高奖励提示的搜索。该框架在少样本文本分类、指令归纳和问答等各种任务上，均展现出优于现有离散提示优化基线方法的性能。
-
新的 CAGFNs 方法加速了用于蛋白质编码的 mRNA 序列生成
研究人员开发了课程增强型 GFlowNets (CAGFNs)，这是一种用于生成编码特定蛋白质的信使 RNA (mRNA) 序列的新方法。该方法解决了在大型组合空间中优化多个生物学目标所面临的挑战，而传统强化学习 (RL) 方法在此类空间中会遇到模式崩溃问题，生成流网络 (GFlowNets) 则面临奖励稀疏的问题。CAGFNs 采用多目标训练策略和自适应课程，从简单到复杂的任务逐步进行，有效地从越来越长的目标蛋白质中学习。在新颖的密…
-
新的SNACK框架使序列模型能够进行概率图生成
研究人员开发了SNACK，一个新颖的、用于概率图生成的序列表示框架。该框架通过将图线性化为字符串表示，使序列模型能够生成并有效地建模图。SNACK通过强制执行约束来确保生成有效的图结构，并与传统的基于图的方法相比，提高了GFlowNets的训练吞吐量。该框架在标准的图生成任务和分子分布学习基准测试中展示了具有竞争力的样本质量。
-
新的GFlowNet框架可在图中找到最短路径并解决魔方
研究人员开发了一个使用生成流网络（GFlowNets）在图中寻找最短路径的新框架。该方法从理论上证明了最小化总流量可以使策略仅沿最短路径遍历。该方法已通过实验应用于置换环境中的路径查找和解决魔方问题，在解的长度方面与现有机器学习方法具有竞争力，并且需要更小的搜索预算。
-
新理论阐明 GFlowNet 训练和采样精度
一种关于训练生成流网络（GFlowNets）的新理论视角已被开发出来，旨在弥合平衡目标与采样精度之间的差距。该研究为流匹配、详细平衡和轨迹平衡引入了一个统一的理论，根据平衡损失和近似平稳性为终端对称 KL 散度设定了界限。研究结果阐明了参数化、覆盖范围和动态组件如何影响 GFlowNet 训练，并为实现精确采样提供了见解。
-
新的DOGS方法使用GFlowNets进行原创且无侵权风险的Logo生成
研究人员开发了DOGS（Design-space prompting with an Originality-aware GFlowNet Sampler），一种通过提示驱动的文本到图像模型生成Logo的新颖方法。与传统的文本重写方法不同，DOGS从源自大量真实Logo语料库的结构化设计空间中进行采样。该方法使用GFlowNet采样器生成设计图，平衡可识别性、美观性和原创性，同时积极惩罚与现有Logo的相似性，以避免商标侵权。评估表明…
-
新的 GFlowNet 混合框架增强了 AI 科学发现能力
研究人员开发了一个新的 GFlowNets 混合模型理论框架，用于改进 AI 驱动的科学发现中的状态空间探索和收敛性。该框架分为连续索引和离散索引的集合。连续索引方法可以被解释为一种随机特征扩展，增强了采样器的表达能力并降低了学习的不稳定性。离散索引方法为分层条件 (SC) GFlowNets 提供了基础，后者将状态空间分解并允许并行训练，从而在不增加计算成本的情况下加快学习收敛速度并改善模式覆盖。
-
GFlowNets为LLM训练生成多样化的合成对话
研究人员开发了一种新颖的方法，使用生成流网络（GFlowNets）来创建多样化的合成对话数据，用于训练大型语言模型（LLMs）。该方法解决了通过直接提示或最终用途条件化生成数据时常见的低多样性和模式崩溃问题。通过基于关键交互特征对潜在对话结构进行建模，GFlowNets可以按其普遍性比例对专家策略进行采样，与强化学习和端到端LLM基线相比，提供了更好的保真度、模式覆盖率和真实性的平衡。该方法生成的合成数据已被证明能为下游结果预测任务提…
-
Partial GFlowNet 通过划分大状态空间加速 AI 发现
研究人员引入了一种名为 Partial GFlowNet 的新方法，以解决生成流网络 (GFlowNets) 在应用于大状态空间时遇到的收敛挑战。该方法将状态空间划分为较小的、重叠的区域，使 actor 能够有效地识别并专注于奖励较高的子区域。一种启发式策略指导 actor 在这些部分区域之间切换，避免了无效的探索，并加速了学习过程以获得最优解。实验表明，Partial GFlowNet 在大状态空间上的收敛速度比现有方法更快，生成的…
-
PhyloGFN 使用生成流网络进行进化关系推断
研究人员开发了 PhyloGFN，一种利用生成流网络（GFlowNets）进行系统发育推断的新方法。该方法旨在解决从序列数据重建进化关系中的计算挑战。PhyloGFN 旨在改进对树拓扑和进化距离等复杂组合结构的探索和采样，并在边际似然估计和拟合目标分布方面与现有方法相比表现出有竞争力。
-
新型流网络应对随机和对抗性AI挑战
研究人员推出了期望流网络（EFlowNets），这是生成流网络（GFlowNets）的改进版本，旨在在随机环境中有效运行。与现有的GFlowNet模型相比，EFlowNets在蛋白质设计等任务中表现出更优越的性能。在此基础上，研究人员开发了用于双人零和博弈的对抗流网络（AFlowNets），结果表明AFlowNets通过自我对弈可以识别出Connect-4中超过80%的最优走法，并在竞技比赛中超越AlphaZero。
-
GFlowNets 和变分推断算法在某些情况下被证明是等价的
本文探讨了生成流网络 (GFlowNets) 和变分推断 (VI) 之间的联系，这两种都是概率算法家族。作者证明了 VI 算法可以被视为 GFlowNets 的特例，特别是在它们的期望梯度目标方面。该研究强调了 GFlowNets 在离策略训练方面的优势，以及它们在捕捉多模态分布多样性方面的潜力，并将其与强化学习技术进行了类比。
-
GFlowNets 增强 LLM 红队测试以改进 AI 安全性
研究人员开发了一种使用 GFlowNets 的新方法，以提高大型语言模型 (LLM) 自动化红队测试的多样性和有效性。该方法旨在发现更广泛的有害提示，从而增强 LLM 的安全调优。生成的提示已被证明对各种 LLM 有效，并且在它们之间具有良好的迁移性，从而使模型能够抵御其他红队测试技术。
-
GFlowNets 应用于解决复杂的组合优化问题
研究人员开发了一种使用 GFlowNets 的新方法来解决复杂的组合优化问题，这些问题通常对于传统算法来说过于困难。该方法包括为各种问题设计特定的马尔可夫决策过程，并训练条件 GFlowNets 以生成多样化的高质量解决方案。大量实验表明，这种基于 GFlowNet 的策略在高效找到一系列任务的最优或接近最优的解决方案方面非常有效。
-
新的“轨迹平衡”目标改进了 GFlowNet 学习
研究人员引入了“轨迹平衡”，这是生成流网络 (GFlowNets) 的一种新颖学习目标。这个新目标旨在改进 GFlowNets 中的信用分配，GFlowNets 用于从非归一化密度生成组合对象，如图和字符串。所提出的方法被认为是现有目标（如流匹配和详细平衡）的更有效替代方案，这些目标在处理长动作序列时可能会遇到困难。在四个领域的实验证明了轨迹平衡在提高 GFlowNet 收敛性、样本多样性和鲁棒性方面的有效性。