본 논문에서는 표적 분포로부터의 샘플링 시 기존 샘플러의 추가적인 안내를 통합하는 새로운 의사결정 흐름(DF) 프레임워크를 제시합니다. DF는 확률적 최적 제어에서 마르코프 의사결정 과정(MDP) 접근 방식의 AI 기반 알고리즘적 환생으로 볼 수 있습니다. [Behjoo, Chertkov 2025]의 연속 공간, 연속 시간 경로 적분 확산 샘플링 기법을 이산 시간 및 공간으로 확장하는 동시에 [Bengio, et al 2021]의 생성 흐름 네트워크(GFN) 프레임워크를 일반화합니다. 가장 기본적인 형태에서는 신경망(NN)을 필요로 하지 않는 명시적 공식을 사용하여 DF는 기존 샘플러의 전이 확률을 조정하기 위해 기저 MDP의 선형 풀이 가능성 [Todorov, 2007]을 활용합니다. 결과적으로 생성되는 마르코프 과정은 기존 샘플링의 역시간 그린 함수와 표적 분포의 합성곱으로 표현됩니다. 이징 모델에서의 샘플링 예시를 통해 DF 프레임워크를 보여주고, 효율성을 정량화하기 위해 메트로폴리스-헤이스팅스와 DF를 비교하고, 잠재적인 NN 기반 확장에 대해 논의하며, 다양한 응용 분야에서 DF가 안내된 샘플링을 어떻게 향상시킬 수 있는지에 대한 개요를 제시합니다.
