生成流网络（GFlowNets）是一种通过操作离散对象的组合采样方法，与强化学习相结合。研究者将学习生成流网络的任务重新定义为熵正则化强化学习问题，并展示了其在概率建模任务上的实际效率。熵正则化强化学习方法可以与已建立的GFlowNet训练方法竞争，为整合强化学习原理到生成流网络领域开辟了道路。

我们提出使用Kuramoto模型在非欧几里德数据集上进行机器学习的想法，并讨论了几何深度学习中的概率建模和推理的统计模型概念。

本文介绍了一种基于能量的生成流网络概率建模算法，通过随机构造数据策略来建模生成过程，并将昂贵的MCMC探索分摊开来。同时，提出了一个框架，共同训练GFlowNet与能量函数，使其在各种概率建模任务中表现出有效性。

本文研究了两种神经网络模型下，量子电路 Born 机的可学习性。发现具有超对数深度的克里福德电路的输出分布在统计查询模型下不易于学习，限制了学习本地量子电路输出分布的可能性。提供了从概率建模角度学习本地量子电路输出分布的严格见解。

本文提出了一种自适应的核密度估计模型，用于电力系统概率建模。该模型通过分配可学习的权重给核心实现性能改进，并使用修正的期望最大化算法加快优化速度。与高斯混合模型相比，该模型表现良好。

本文介绍了一种基于能量的生成流网络概率建模算法，通过随机构造数据策略来建模生成过程，并将昂贵的MCMC探索分摊开来。同时，提出了一个框架，共同训练GFlowNet与能量函数，使其在各种概率建模任务中表现出有效性。