本研究解决了生成多样化解决方案的局限性问题，特别是自回归语言模型对创意的限制。通过GFlowNets优化解决方案生成，我们发现其在零-shot迁移方面存在局限性，尤其是在处理24和42游戏的数据集时，表现出在维持解决方案多样性和准确性方面的困难，指明了对跨任务泛化的关键限制，并强调了未来在迁移学习能力上改进的必要性。

本文提出了一种动态传感器选择方法，旨在优化深度神经网络（DNNs）中每个输入样本的传感器子集选择。通过Gumbel-Softmax技巧实现端到端学习，提升无线传感器网络（WSN）的寿命，并在身体传感器网络中验证了该方法的有效性，分析了传输负载与任务准确性之间的权衡。

本文介绍了多种基于生成模型的化学反应逆合成预测方法，如G2Gs和SemiRetro，旨在提高小分子发现的效率和可合成性。这些方法利用图神经网络和强化学习等技术，在药物发现中显著提高了合成成功率和样本效率。

生成流网络（GFlowNets）在结构化对象生成和蛋白质设计中表现出色。提出了预期流网络和对抗性流网络，后者在Connect 4比赛中超越了AlphaZero。新算法Quantile Matching和基于能量的生成流网络（EB-GFN）提高了数据效率。Bifurcated GFlowNets（BN）通过分岔结构优化学习效率。进化引导生成流网络（EGFN）有效处理长轨迹和稀疏奖励。Order-Preserving GFlowNets（OP-GFNs）在多目标优化中表现优异。

通过回顾性逆向合成（RBS）方法，我们提出一种应对稀疏奖励问题的新方法，用于训练目标条件下的生成流网络（GFlowNets），并在各类标准评估基准上显著提高样本效率并优于强基准模型。

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。

本文介绍了一种名为GFlowGNN的图主动学习方法，利用生成式流网络建模图，表现出良好的探索能力和可转移性。

LSL-GFN是一种新型概率模型，使用温度作为输入，加速训练temperature-conditional GFlowNets，能够生成分子图等组合结构，在多个生物化学任务中表现更好。

该研究使用生成流网络对因果祖先图进行采样，并通过与专家互动减少不确定性。通过重要性采样结合人的反馈，更新样本，提高推理质量。实验结果表明，该方法能够准确地对因果祖先图的分布进行采样，并在人类帮助下大大提高推理质量。