जनरेटिव फ्लो नेटवर्क्स के लिए सामान्यीकरण पर

जनरेटिव फ्लो नेटवर्क्स (GFlowNets) एक नवोन्मेषी शिक्षण पर paradigm के रूप में उभरे हैं, जिसे बिना सामान्यीकृत प्रायिकता वितरण से सैंपलिंग की चुनौती का समाधान करने के लिए डिज़ाइन किया गया है, जिसे पुरस्कार कार्य कहा जाता है। यह फ्रेमवर्क एक निर्मित ग्राफ़ पर एक नीति सीखता है, जो सीखे गए नीति से सैंपलिंग के क्रमिक चरणों के माध्यम से लक्ष्य प्रायिकता वितरण के एक अनुमान से सैंपलिंग में सक्षम बनाता है। इसे प्राप्त करने के लिए, GFlowNets को विभिन्न उद्देश्यों के साथ प्रशिक्षित किया जा सकता है, जिनमें से प्रत्येक मॉडल के अंतिम लक्ष्य की ओर ले जा सकता है। GFlowNets की आकांक्षात्मक शक्ति उनके पुरस्कार कार्य के भीतर जटिल पैटर्नों को पहचानने की क्षमता और पुरस्कार कार्य के नए, अप्रत्याशित हिस्सों पर प्रभावी रूप से सामान्यीकरण करने की क्षमता में निहित है। यह पत्र GFlowNets के संदर्भ में सामान्यीकरण को औपचारिक रूप देने, सामान्यीकरण को स्थिरता से जोड़ने और इन मॉडलों की क्षमता का आकलन करने के लिए प्रयोगों को डिजाइन करने का प्रयास करता है, ताकि वे पुरस्कार कार्य के अप्रत्याशित भागों को उजागर कर सकें। प्रयोग लंबाई सामान्यीकरण पर केंद्रित होंगे, जिसका अर्थ है ऐसे राज्यों के लिए सामान्यीकरण जो केवल उन लंबे पथों द्वारा निर्मित किए जा सकते हैं जो प्रशिक्षण में देखे गए हैं।