Revisiting forward-looking GFlowNets

Abstract

As redes gerativas de fluxo (GFlowNets, na sigla em inglês) constituem uma família de algoritmos escaláveis projetados para amostrar de uma distribuição não normalizada com um suporte composicional. Notavelmente, trabalhos recentes exploram a formulação forward-looking de GFlowNets para alcançar desempenho notável em tarefas que formulam a otimização como amostragem, concentrando-se em regiões elevadas. No entanto, este trabalho demonstra que as GFlowNets forward-looking (FL-GFlowNets) violam suposições básicas que fundamentam a corretude da amostragem das GFlowNets. Além disso, projetamos um modelo alternativo que adere aos mesmos princípios das FL-GFlowNets e mostramos que ele gera de maneira comprovada amostras da distribuição correta quando treinado adequadamente. Nossos experimentos validam a teoria delineada e revelam as razões por trás dos resultados aparentemente bons obtidos pelas FL-GFlowNets.