Boosted generative flow networksimproving exploration via sequential learning

Resumo

Generative Flow Networks (GFlowNets) são amostradores poderosos para objetos composicionais que, por construção, amostram proporcionalmente a uma dada recompensa não negativa. No entanto, na prática, elas frequentemente têm dificuldade em explorar o espaço de recompensas de forma homogênea: trajetórias que levam a regiões de fácil acesso dominam o treinamento, enquanto que trajetórias em direção à modas não triviais recebem gradientes pouco informativos, levando a uma cobertura ruim de zonas de alta recompensa. Nós abordamos esse desbalanceamento com Boosted GFlowNets, um método que treina sequencialmente um conjunto de GFlowNets, em que cada modelo otimiza uma recompensa residual que leva em conta a massa já capturada pelos modelos anteriores. Esse princípio residual recupera sinais de aprendizado em regiões subexploradas e, sob suposições brandas, assegura uma propriedade de não degradação monótona: adicionar boosters aprendidos não pode piorar a distribuição do ensamble e, tipicamente, a melhora. Empiricamente, GFlowNets Boosted alcançam exploração e diversidade de amostras substancialmente melhores em benchmarks sintéticos multimodais e em tarefas de desenho de peptídeos, preservando a estabilidade e a simplicidade do treinamento padrão via balanço de trajetória.

Ficha do documento

Tipo

Dissertação

Ano

2026

Instituição

Fundação Getulio Vargas

Fonte

Repositório da FGV

Idioma

Inglês

Acesso

Acesso aberto

Identificador

oai:repositorio.fgv.br:10438/39628

Temas

Tecnologia

Palavras-chave

Machine learningGFlowNetsPeptide discoveryAprendizado de máquinaDescoberta de peptídeosMatemáticaAprendizado do computadorRedes neurais (Computação)Inteligência artificialProcesso decisório