GFlowNet
由Yoshua Bengio团队提出的生成模型框架，将生成过程建模为有向无环图上的流动问题，能够以正比于奖励的概率采样多样化终态，天然避免模式坍缩，适合需要多样且高质量输出的采样场景
时间轴 (近 90 天)
SNACK让GFlowNet可以直接在字符串空间上训练，并显式处理节点排序对称性。
实验表明，相比直接在图上操作的方法，SNACK在GFlowNet训练吞吐量上有显著提升。
DOGS使用GFlowNet采样器生成设计图，其生成概率与终端奖励成正比
GFlowNet训练的目标是让生成对象的概率分布正比于奖励函数，而非最大化单一期望奖励
生成流网络（GFlowNets）由Yoshua Bengio团队于2021年提出
GFlowNet将生成过程建模为有向无环图（DAG）上的流动问题，通过训练使流量守恒，以正比于奖励的概率采样到不同终态
研究团队在辅导对话和情感支持对话两个领域对方法进行了验证
一篇arXiv论文提出使用生成流网络（GFlowNets）来生成多样化且高质量的合成专家对话数据
论文强调该方法在生成高质量数据的同时并未直接复制训练数据
在三个结果预测任务上，使用GFlowNet生成对话训练的分类器相比使用其他竞争性合成方法训练的模型提供了更强的训练信号
还有 4 条时间轴事件
全部知识事实 (14)
SNACK让GFlowNet可以直接在字符串空间上训练，并显式处理节点排序对称性。
50%待验证实验表明，相比直接在图上操作的方法，SNACK在GFlowNet训练吞吐量上有显著提升。
50%待验证DOGS使用GFlowNet采样器生成设计图，其生成概率与终端奖励成正比
50%待验证GFlowNet训练的目标是让生成对象的概率分布正比于奖励函数，而非最大化单一期望奖励
50%待验证生成流网络（GFlowNets）由Yoshua Bengio团队于2021年提出
50%待验证GFlowNet将生成过程建模为有向无环图（DAG）上的流动问题，通过训练使流量守恒，以正比于奖励的概率采样到不同终态
50%待验证研究团队在辅导对话和情感支持对话两个领域对方法进行了验证
50%待验证一篇arXiv论文提出使用生成流网络（GFlowNets）来生成多样化且高质量的合成专家对话数据
50%待验证论文强调该方法在生成高质量数据的同时并未直接复制训练数据
50%待验证在三个结果预测任务上，使用GFlowNet生成对话训练的分类器相比使用其他竞争性合成方法训练的模型提供了更强的训练信号
50%待验证GFlowNet方法相比强化学习基线和端到端LLM基线，在保真度、模式覆盖和真实性三个维度上实现了更好的平衡
50%待验证GFlowNet能够按照各策略在训练数据中出现的比例来采样，从而保留策略分布的多样性
50%待验证论文的做法是训练GFlowNet生成对话的潜在结构（latent conversation structure），而非直接生成表层文本
50%待验证潜在结构通过对关键交互特征建立高斯混合密度（Gaussian mixture density）来刻画，特征包括困惑情节动态和支架式引导的指令平衡
50%