GFlowNets nutzen submodulare Obergrenzen zur effizienten Generierung
Generative Flow Networks (GFlowNets) sind generative Modelle, die lernen, zusammengesetzte Objekte in proportion zu ihrem unbekannten Wert – dem sogenannten Reward – zu sampeln. In der aktuellen Studie wird ein spezieller Fall untersucht, bei dem der Reward submodular ist, also eine abnehmende Grenzrate aufweist. Durch die submodulare Struktur lassen sich Obergrenzen für die Belohnung von bislang nicht beobachteten Objekten bestimmen.
