据arXiv页面信息，首尔大学研究团队于2026年10月14日公开论文《SNACK: A Sequential Notation Framework for Probabilistic Graph Generation》，提出一种面向概率图生成的字符串表示框架。该研究将图结构编码为序列，使序列模型能够处理带有离散节点和边特征的图，并通过对无效输出进行掩码，约束生成过程遵守结构规则。论文原文
论文的核心方法是对邻接矩阵下三角部分的非零项进行逐行编码，并让每个有效序列与有序邻接矩阵建立一一对应关系。这样，模型在生成过程中可以根据已形成的部分图结构判断下一步允许的节点或边操作，从而减少不符合语法、节点排序或化学价规则的输出。作者称，在其图生成和分子分布学习基准中，SNACK实现了100%的有效生成结果，同时提高了生成流网络（GFlowNet）的训练吞吐。
这项工作的应用重点包括分子生成、图分布学习和目标属性优化。与直接使用图结构的生成方法相比，SNACK尝试借助标准序列模型和单次前向计算处理完整序列；与传统字符串表示相比，它进一步处理了多个字符串可能对应同一图结构的问题，并将节点排序对概率建模的影响纳入训练过程。论文还报告称，模型虽然接受的是序列监督，但能够学习到图的局部和全局结构信息。
需要注意的是，这是一项研究论文披露，文中的性能和效率结论来自作者设置的实验基准，不能直接视为已经在真实药物研发或工业系统中验证。其实际价值仍取决于不同图规模、分子类型、奖励函数和硬件环境下的复现实验。对机器学习从业者而言，该研究的可观察意义在于：图生成模型正在尝试融合序列模型的训练效率与图结构约束的可控性，而有效性保证、表示唯一性和推理成本之间的平衡，仍是后续评估重点。
参考来源：
由 AI 整理，仅供参考；请以原始来源为准。
