GFlowNets mit CMAB: Schnellere Entdeckung hochbelohnender Subräume

Generative Flow Networks (GFlowNets) sind ein vielversprechendes probabilistisches Sampling‑Framework, das komplexe kombinatorische Objekte durch sequentielle Zusammensetzung einfacher Bausteine erzeugt. In der Praxis leiden viele GFlowNets jedoch unter einer zu großen Exploration: Sie sampeln stark in Regionen mit niedriger Belohnung und konvergieren häufig zu suboptimalen Verteilungen. Das gezielte Biasen der Netzwerke auf hochbelohnende Lösungen ist daher eine zentrale Herausforderung.

In der neuen Arbeit wird CMAB‑GFN vorgestellt, ein Ansatz, der ein combinatorial multi‑armed bandit (CMAB) mit GFlowNet‑Politiken kombiniert. Der CMAB‑Teil eliminiert unwichtige Aktionen und erzeugt kompakte, hochbelohnende Teilräume, in denen die GFlowNets anschließend explorieren. Durch die Beschränkung auf diese Subräume beschleunigt sich die Entdeckung wertvoller Kandidaten erheblich, während die Vielfalt durch die gleichzeitige Erkundung verschiedener Subräume erhalten bleibt.

Experimentelle Ergebnisse auf mehreren Aufgaben zeigen, dass CMAB‑GFN höhere Belohnungen liefert als bisherige Methoden. Der Ansatz demonstriert damit, wie Bandit‑Prinzipien die Effizienz von GFlowNets in der kombinatorischen Optimierung deutlich steigern können.