본 논문은 목표 분포에서 표본을 추출하는 새로운 의사결정 흐름(DF) 프레임워크를 제시합니다. DF는 확률적 최적 제어에서 마르코프 의사결정 과정(MDP) 접근 방식의 AI 기반 알고리즘적 재해석으로 볼 수 있으며, 연속 공간, 연속 시간 경로 적분 확산 표본 추출 기법을 이산 시간 및 공간으로 확장하는 동시에 생성 흐름 네트워크 프레임워크를 일반화합니다. 가장 기본적인 형태인 명시적 신경망(NN) 없는 공식에서 DF는 기저 MDP의 선형 해결 가능성을 활용하여 사전 샘플러의 전이 확률을 조정합니다. 결과적으로 생성된 마르코프 과정은 사전 샘플링의 역시간 그린 함수와 목표 분포의 합성곱으로 표현됩니다. 이징 모델에서 표본 추출하는 예시를 통해 DF 프레임워크를 설명하고, NN 기반 확장 가능성을 논의하며, 다양한 응용 분야에서 DF가 유도 샘플링을 향상시키는 방법을 개략적으로 설명합니다.
