# 条件生成器匹配

图生成中的离散流匹配（DFM）把训练与采样解耦，但现有采样器常依赖任务专用启发式，采样预算也与扩散方法相当，加速潜力只实现了一部分。H-GLow 把连续时间马尔可夫链生成器拆成风险函数与条件跳转分布，用这两个量规划图编辑并按图的活动程度动态调整采样时间。它可接到预训练图 DFM 模型上，在分子与合成图基准上以明显更少的采样步数取得更好的生成质量；另有一个直接预测风险与条件跳转的图 DFM 模型，其训练目标可精确分解为风险匹配与风险加权跳转预测。

图生成中的离散流匹配（DFM）把训练与采样解耦，但现有采样器常依赖任务专用启发式，采样预算也与扩散方法相当，加速潜力只实现了一部分。H-GLow 把连续时间马尔可夫链生成器拆成风险函数与条件跳转分布，用这两个量规划图编辑并按图的活动程度动态调整采样时间。它可接到预训练图 DFM 模型上，在分子与合成图基准上以明显更少的采样步数取得更好的生成质量；另有一个直接预测风险与条件跳转的图 DFM 模型，其训练目标可精确分解为风险匹配与风险加权跳转预测。