GFlowState：報酬の先へ—生成フローネットワークの学習を可視化する

要旨: 我々は、生成フローネットワーク（GFlowNets または GFN）の学習プロセスを明らかにすることを目的とした視覚分析システムである GFlowState を提案する。GFlowNets は、報酬関数に比例したサンプルを生成するための確率的枠組みである。GFlowNets は、分子や材料の発見などの応用において強力な手段であることが示されている一方で、その学習ダイナミクスは解釈が難しいままである。標準的な機械学習ツールはメトリクスの追跡を可能にするが、モデルがどのようにサンプル空間を探索し、サンプル軌跡を構築し、学習中にサンプリング確率をどのように変化させるのかは明らかにしない。我々の解決策である GFlowState は、ユーザがサンプリング軌跡を分析し、参照データセットに対するサンプル空間の相対的な比較を行い、学習ダイナミクスを分析できるようにする。これを実現するために、複数のビューを導入する。具体的には、候補のランキングを示すチャート、状態の射影、軌跡ネットワークのノードリンク図、遷移ヒートマップなどである。これらの可視化により、GFlowNet の開発者および利用者は、サンプリング行動と方策の進化を調査でき、十分に探索されていない領域や学習失敗の要因を特定できる。事例研究により、本システムが、アプリケーション領域をまたいだ GFlowNets のデバッグと品質評価をどのように支援するかが示される。GFlowNets の構造的ダイナミクスを可観測にすることで、本研究はそれらの解釈可能性を高め、実運用における GFlowNet の開発を加速し得る。