生成式流网络（GFlowNets）

生成流网络（Generative Flow Networks，简称 GFlowNets）是一个强大的 机器学习框架，专为 概率建模和摊销采样而设计。它们 通过将生成过程视为一个序列决策 任务，在生成离散的、可组合的对象方面表现出色。 与传统 强化学习中常见的单纯最大化奖励不同，GFlowNets学会 以与预定义 奖励函数成正比的概率对对象进行采样。这使其能够在极其庞大的样本空间中发现多样化的 高奖励候选集合，从而有效缓解了 常困扰生成对抗网络（GANs）等其他生成 架构的 模型坍缩问题。

核心原则与机制

GFlowNets 的运作方式是在结构化环境中移动，逐步添加构建模块，从而构建出最终的 对象。

• 前向与后向策略： 神经网络会预测一个前向策略， 该策略规定了从给定状态出发时各种可能动作的概率分布。通过映射穿过 这些状态的轨迹，模型从而学习到概率的“流”。
• 轨迹平衡损失：训练通常依赖于 诸如轨迹平衡损失之类的优化目标，该目标可确保生成特定 对象的概率与其观测到的奖励密切相关。正确的 超参数调优对于 在训练过程中稳定该损失函数至关重要。
• 比例采样： 通过按奖励比例进行采样，而非仅仅追求绝对最大值，GFlowNets 自然地实现了 多样性，这在探索复杂的 组合空间时至关重要。

GFlowNets 与其他生成式人工智能

虽然生成式人工智能涵盖了许多技术， 但 GFlowNets 占据着独特的地位。标准的 扩散模型或诸如 流匹配等技术通常将连续噪声 分布转换为数据。相比之下，GFlowNets 专门用于生成离散结构，例如 图或序列。 此外，标准强化学习代理旨在通过 马尔可夫决策过程（MDP）寻找单一最优路径， 而 GFlowNets 则规划出多条高回报路径，以确保生成的输出具有广泛的多样性。

实际应用

凭借生成多样且高度优化的候选方案的能力，GFlowNets在科学 和结构领域具有特别重要的价值。

• 药物发现与分子设计： 在药物研究中，GFlowNets 被用于 生成新型治疗性肽和分子图。最近的进展，例如原子级 GFlowNets（A-GFN）， 能够逐原子构建分子，从而优化结合亲和力、合成可及性等性质。与依赖预定义片段的方法相比， 这一过程能够产生更多样化的候选药物。
• 因果结构学习：GFlowNets 还被 应用于发现因果 贝叶斯网络的结构。它们对 有向无环图（DAG）上的 后验分布进行近似，从而帮助 研究人员在建模复杂数据 关系时，保持对 认知不确定性的现实认知。

实施“向前”政策

在构建 GFlowNet 时，前向策略必须预测下一系列可能步骤的概率分布。 以下 PyTorch 代码片段演示了如何定义一个简单的策略层并 采样一个动作。虽然构建像 Ultralytics 这样的视觉模型需要预测边界框 坐标，但 GFlowNet 则使用 分类型分布来选择其生成路径中的下一个 状态。

import torch
import torch.nn as nn
from torch.distributions import Categorical

# A simple linear policy mapping a 64-dim state to 4 possible actions
policy_network = nn.Sequential(nn.Linear(64, 4), nn.Softmax(dim=-1))

# Given a random state vector, compute action probabilities and sample
state = torch.randn(1, 64)
action_probs = policy_network(state)
sampled_action = Categorical(action_probs).sample()
print(f"Sampled Action: {sampled_action.item()}")

如果您正在使用 Python开发复杂的人工智能解决方案，您可以借助 Ultralytics 无缝地 对数据集进行标注、训练和部署模型。无论您专注于高速 目标检测任务，还是探索生成式 架构，拥有一个稳健的 机器学习运维（MLOps） 管道对于有效扩展模型至关重要。