XiaoMi-AI文件搜索系统
World File Search SystemGFLOWNETS
重新访问前瞻性Gflownets
距离比替代培训目标。（右）重新审视的FL-GFLOWNET的有效性并不显着取决于设定生成任务中所选的中间奖励功能。。。。17图4 - 在不同训练阶段，x〜p⊺（x;θ）的logπu（x）分布的kDE拟合；随着培训的进行，线的不透明度会增加。Rev.fl-gflownet和fl-gflownet变得越来越明显，因为我们努力生成更大的集合。（Pan等，2023）在将FL-GFLOWNET与标准Gflownets进行比较时观察到了类似的趋势。。。。。。。。。。。。。。。。。。。。。。。。。。。。。17图5 - 训练gflownet对t = 2 - 3（sa-gfn）的exp n 1 tlogπu（x）o的样本进行了训练，从而相对
用于传感器选择的Gflownets
传感器阵列的效率随着更多的元素而改善，但增加的元素数量会导致更高的综合需求，成本和功耗。稀疏的Ar-rays仅利用可用元素的子集，提供了一种具有成本效益的解决方案。每个子集对数组的性能属性都有不同的影响。本文基于深层生成建模提供了一种无监督的学习方法，用于选择传感器。选择过程被视为确定性的马尔可夫决策过程，其中传感器子阵列作为终端状态出现。使用生成流网（GFLOWNET）范式用于学习基于当前状态的动作的分布。从上述分布中进行采样可确保达到末端状态的累积概率与相应子集的传感性能成正比。AP-PRACH用于发射光束形成，其中子集的表现与其相应的Beampattern和所需的束图案之间的误差成反比。该方法可以通过在一小部分可能的子集（小于0。0001％可能的子集）。索引术语 - 传感器选择，gflownets，深度学习，深层生成建模
gflownets：组合和连续空间中多元化的新型框架-MBZUAI PARAS Workshop
1“在放松序列空间中使用优化的可伸缩蛋白设计”，Frank等，2024 2“分解和重新组合分子图生成”，Yamada和Sugiyama，2023
进化引导的生成流网络
生成流动网络（GFLOWNETS）是一个概率生成模型的家族，它们学会了与奖励成正比的组成对象进行采样。Gflownets的一个重大挑战是在处理长期视野和稀疏奖励时有效地训练它们。为了解决这个问题，我们提出了进化引导的生成流网络（EGFN），这是使用进化算法（EA）对Gflownets训练的简单但强大的增强。我们的方法可以通过使用EA训练一组代理参数，将所得的轨迹存储在优先级的重播缓冲液中，然后使用存储轨迹训练GFLOWNETS代理。我们对广泛的玩具和现实世界的基准任务进行了彻底的调查，以显示我们方法在处理长轨迹和稀疏奖励方面的有效性。
数字发现-RSC出版
使用XED数据集，该数据集并不能部分地进行采样到Boltzmann分布。最近的几部作品，例如Boltzmann Generator，正在解决这个问题，10 - 13，但它们尚未证明具有足够的通用性（有关更多详细信息，请参见第2节）。在本文中，我们使用生成OW网络（Gflownets）来对Boltz-Mann分布的分子平衡构象进行采样。我们专注于分子的扭转角度，因为它们包含了限制空间的大部分差异，而键长和角度可以通过快速基于规则的方法效率生成。最近在连续的Gflownets 14上的一项工作提出了概念证明，以证明Gflownet从二维圆环上的分布中的样品中的样本能力。在这里，我们将这项工作扩展到任意数量的扭转角度的更现实的设置。此外，我们使用多种能量估计方法训练gflownets的不同delity。我们在实验上证明了所提出的方法可以从玻尔兹曼分布中采样分子构象，从而为多种扭转角度2-12种不同的药物样分子产生多样化的低能构象。
GFLOWNET廉价奖励
生成流动网络（GFLOWNETS）最近出现了一类生成模型，是通过从非均衡奖励分布中学习来生成多样化和高质量分子结构的合适框架。以前朝这个方向的工作通常通过使用预定义的分子碎片作为构建块来限制探索，从而限制了可以访问的化学空间。在这项工作中，我们引入了原子Gflownets（A-GFNS），这是一种基本生成模型，利用单个原子作为基础，以更全面地探索类似药物的化学空间。我们使用离线药物样分子数据集提出了一种无监督的预训练方法，该方法在廉价但信息丰富的分子描述符上（例如药物类似性，拓扑极性表面积和合成可及性得分）对A-GFN进行了评论。这些特性是代理奖励，将A-GFN引导到具有理想的药理特性的化学空间区域。我们通过实施目标的微调过程来进一步进一步，该过程适应A-GFN以优化特定目标属性。在这项工作中，我们在锌15离线数据集上预认识了A-GFN，并采用了强大的评估指标来显示与药物设计中其他相关基线方法相比，我们的方法的有效性。