本研究提出了一种称为 DAG-GFlowNet 的方法，使用 Generative Flow Networks 代替 MCMC 来近似推断 Bayesian 网络结构的后验分布。实验结果表明，DAG-GFlowNet 能够提供准确的 DAG 后验近似，并且相对于 MCMC 或变分推断等方法具有优势。

Feb, 2022

本文提出了基于生成式流网络的图主动学习问题的创新形式：GFlowGNN。我们提出了流节点和流特征的概念，以便有效地将图建模为基于流的生成流网络。 并在实际数据集上进行了广泛的实验，证明了该方法具有良好的探索能力和可转移性，表现优于各种最先进的方法。

Apr, 2023

本文提出了一个针对动态系统的基于 Bayesian 原理的因果关系发现框架，采用生成流网络架构来学习循环图的贝叶斯后验概率，该框架通过时间建立自然的因果关系，并通过实验表明其与同类算法相比，能够更好的表征同时具有循环性和因果性的问题。

Feb, 2023

GFlowNets 是一种新型的基于流的方法，用于学习通过一系列动作以及与给定正向奖励成比例的概率来生成对象的随机策略。我们在放宽应用范围的前提下对 GFlowNets 的假设进行了改进，特别是解除了关于非环性的限制。为此，我们扩展了可测空间上的 GFlowNets 理论，其中包括了没有循环限制的连续状态空间，并在这个广义上下文中提供了循环的一般化。我们展示了迄今为止使用的损失函数会使流陷入循环，因此我们定义了一族能解决这个问题的损失函数。在图形和连续任务上进行的实验证实了这些原则。

Dec, 2023

引入因果图归一化流（causal-graphical normalizing flows, cGNFs）这一新方法，该方法利用深度神经网络对以有向无环图（directed acyclic graphs, DAGs）表示的理论进行经验评估，模型所显示的数据的完整联合分布，而无需对函数形式进行严格的假设，从而可以对由 DAGs 确定的任何因果估计量进行灵活的半参数估计，包括总效应、条件效应、直接和间接效应以及路径特定效应。

Jan, 2024

本研究提出了一种基于 GFlowNets 的 GNN Explainer（GFlowExplainer）方法，通过生成结构而非组合优化的方法来生成子图，加快对 GNN 预测结果的解释，并在综合性实验中证明了其优越性。

Mar, 2023

使用强化学习和编码器 - 解码器模型进行因果发现，生成图中的邻接矩阵以计算奖励，结合预定义分数函数和惩罚项强制保持无环性，提高图搜索能力和灵活性。

Jun, 2019

本文提出了一种基于得分的方法，利用神经网络在连续约束优化理论的基础上，允许处理变量之间的非线性关系，用于学习有向无环图，相对于其他连续优化方法，这种方法在很多任务上表现更好，在因果推断的重要度量上与现有的贪婪搜索方法相比具有竞争力。在合成存储和真实世界数据集上进行了试验。

Jun, 2019

通过概率分布和因果关系特征，提出了一种计算效率高的因果结构学习方法，并在合成和真实数据集上进行了验证。

Nov, 2022

本文提出了一种基于 GFlowNet 的生成策略来生成对象的方法，该方法将生成过程视为一种流动网络，并将一组轨迹转换为流动，并将流动一致性方程转换为学习目标，以实现训练时的搜索成本，从而提高了性能和多样性。

Jun, 2021