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

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

发展生物学的主要目标之一是揭示基因调控网络（GRNs）以实现多能祖细胞向具体细胞类型的准确分化。本文展示了如何使用物理信息神经网络（PINNs）推断预测性和动力学的 GRNs 参数，以提供生物过程的机制理解。我们的分析将为今后使用 PINNs 进行实验设计提供参考，并为进一步探索这一强大类神经网络模型提供起点。

Jan, 2024

介绍 DiscoGen，这是一种基于神经网络的 GRN 发现方法，它可以去噪基因表达度量并处理干预数据，我们证明了我们的模型优于 SOTA 神经网络基因因果发现方法。

Apr, 2023

提出了一种基于 Bayesian 方法的计算模型，用于从基因表达的高通量遗传数据中发现基因之间的局部因果关系。模型的应用结果表明，可以从稳定且保守的局部因果结构后验概率中推导出最有意义的调控关系。

Sep, 2019

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

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

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

通过在化学反应空间中操作，将生成模型扩展到小分子发现中，从而增加了搜索空间的大小，并保持候选分子生成的可合成性，同时对于预训练代理模型和 GPU 加速对接等多个 Oracle 模型都具有良好的表现。

Jun, 2024

提出一种发现生物系统中潜在图结构的新算法，基于复杂的非线性调节相互作用网络，用图来表示各种核酸、蛋白质和代谢物之间的关系，并使用实验数据对其进行探测。

Jan, 2023