用GFlowNets独立生成模型，Bengio等人数页论文给讲通了

工具之心报道

编者：小船、陈萍

Yoshua Bengio 援引的未来斜向 GFlowNets 与现阶段的分解仿真有什么彼此间？

分解流向的网络（GFlowNets）是诺贝尔奖人 Yoshua Bengio 对 AI 领域未来斜向驳斥的想法。GFlowNets 基于强化进修、深度分解仿真和概率三维，涉及变分仿真及推定，为非常量贝叶斯三维、分解式主动进修以及形式化表征的无督导或自督导进修打开了新的大门。往年，Bengio 以一作的此前出版了长达 70 页的文章《GFlowNet Foundations》。

GFlowNets 灵感源于信息在时序的系统 RL 工具正因如此的传播方式（Sutton 和 Barto，2018 年）。两者都也就是说 credit assignment 完整性原则，它们只有在操练收敛时才能意味着渐近。由于情况下密闭正因如此的路径常用量排列成指数级放缓，因此意味着发散的准确计算较为不便，因此，这两种工具都也就是说完全相同缓冲器间的局部完整性和一个操练期望，即如果所有进修的缓冲器相互间都是局部完整性的，那么我们就得到了一个系统，该系统可以进行全局估算。

现在，Bengio 及其学生张鼎怀等出版了一篇新文章《Unifying Generative Models with GFlowNets》，简要介绍了现阶段深度分解仿真与 GFlowNet 组件间的紧密联系，阐释了它们的分隔特征，并通过一维轨迹进修的视角提供了一个为统一的观点，并有利于提供了一种为统一操练和侦探解法的工具。

文章重定向：

文章主要内容可分成 6 个以外：

第一以外是 GFlowNets 的基本介绍。

第二以外是 Hierarchical VAE （HVAE），这是一类最重要的分解仿真。本文基于分析断定：HVAE 和 GFlowNets 间长期存在细微差别，基于此他们证明了两个仔细观察：一是在某种定义下，HVAE 是一种特殊的 GFlowNets；另一个是两者在操练方式上，长期存在一些共同点。

第三以外是传播仿真 Brown SDE（ stochastic differential equatio ）：传播仿真也是一类最重要的分解仿真，是深受非平衡物理量的启发，其与 VAE 或流向动仿真完全相同，传播仿真是用通常的程序进修的；而 SDE 可以看做是分解仿真当正因如此的一项最重要电子技术。本文断定：在某种意义上，SDE 是 GFlowNets 的一种特殊情况，本文将随机过程特性和 GFlowNets 特性间进行基频。

第四以外是准确似然仿真，这里介绍了自回归仿真（AR 仿真），这是最常见的平稳间隔时间基因组仿真之一，本文断定 AR 仿真可以被视为 GFlowNets，此外，本文还断定 NF（归一化流向）也是一种特殊的 GFlowNets。

第五以外是从数据正因如此进修奖励数组，本文普遍认为基于能量的仿真（EBM）可以用作 GFlowNets 操练的 (不胜对数) 奖励数组，可以常用任何 GFlowNets 三维，并将其与 EBM 一同操练。

第六部划分论述，该文章将现阶段的分解仿真说明了为在样本轨迹上不具完全相同策略的 GFlowNets。这提供了一些关于现阶段分解三维组件间分隔的见解，以及它们与用于操练它们的通用解法的紧密联系。此外，这种为统一意味着一种紧密结合完全相同子类分解三维工具交联的工具，其正因如此 GFlowNets 当做更容易处理的侦探和操练的通用粘合剂。

所写简介

这篇文章的一作是渥太华进修解法研究者所（Mila）的Dr生张鼎怀，导师是 Bengio 和 Aaron Courville。他的研究者好奇心以外因果侦探、分布外泛化、贝叶斯侦探、分解仿真、强化进修和主动进修等。

第二所写陈天琦是卡加利私立大学Dr，现在是 Meta AI 的研究者研究者者。2018 年，陈天琦等人的文章《Neural Ordinary Differential Equations》获得 NeurIPS 最佳文章奖，惹来了极大关注。他的主要研究者好奇心是概率深度进修。

第三所写 Nikolay Malkin 是 Mila 的麻省理工学院研究者员，另一位所写是诺贝尔奖人 Yoshua Bengio。

着迷的旁观者可以阅读文章书名，了解到更多研究者内容可和理论显然。

概要绑定：

打呼噜可以吃药治疗吗
上海试管婴儿要多少钱
胳膊关节处疼痛什么原因
经常胃酸烧心怎么办
治腹泻的中药有哪些