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

提出了一种名为 GFlowCausal 的新方法，通过逐步添加直接边将图搜索问题转变为生成问题，从而从观测数据中学习一个有向无环图 (DAG)，并使用基于可传递闭包的即插即用模块确保高效的采样，理论分析表明，此模块能够有效地保证无环特性和最终状态与完全连接图之间的一致性，实验结果表明该方法具有显著优势，并且在大规模设置下也表现良好。

Oct, 2022

本文提出了一种基于得分的图神经网络方法，旨在学习离散时间时间图中捕捉因果依赖的稀疏 DAG，结果表明该方法较其他现有方法如动态贝叶斯网络推断等表现更好，得到的结构因果模型也比诸如 Notears 等方法发现的线性 SCM 更准确。

Jan, 2023

该研究论文提出了一种名为 JSP-GFN 的新方法，该方法使用一个生成流网络对贝叶斯网络结构和条件概率分布的参数进行共同后验分布近似，以适用于非线性模型，并在模拟和真实数据上进行验证。

May, 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

通过利用基因的独立性，Swift-DynGFN 框架提升了对基因调控网络（GRNs）中因果结构的学习能力，同时兼顾可扩展性，实验证明其在学习 GRNs 的因果结构和适应大型系统上的效果显著。

Oct, 2023

生成流网络（GFlowNets，GFNs）是一种生成式框架，用于学习离散空间上的非归一化概率质量函数。我们通过实证验证了 GFlowNets 的一些泛化机制假设，发现它们学习逼近的函数具有隐含的结构，有利于泛化。同时，我们还发现 GFlowNets 对离线和离策略训练非常敏感，但是 GFlowNets 隐含学习到的奖励对训练分布的变化具有鲁棒性。

Feb, 2024

利用动态回溯机制进行决策，该论文介绍了一种新颖的 GFlowNet 变种 —— 动态回溯 GFN（DB-GFN），用于生成生化分子和遗传材料序列的生成任务，其中 DB-GFN 在样本质量、探索样本数量和训练收敛速度方面超过现有的 GFlowNet 模型和传统强化学习方法，具有潜在的集成其他策略以实现更高效搜索性能的能力。

Apr, 2024

本文提出一种基于动态扩散变分图神经网络 (DVGNN) 的动态图构建方法，并在时序数据集上对 DVGNN 进行实验，证明它可以更好地反映动态图的因果关系和不确定性，达到更好的预测效果。

May, 2023

贝叶斯流网络（BFNs）作为通用生成建模的最有前景的方向之一，能够学习任何数据类型。我们深入研究了 BFNs 的机制，并进行了实验证明它在非平稳数据上的生成能力。

Oct, 2023