데이터 동화 (Data assimilation) 모델은 순차적 관측값에 조건화된 상태 역학 (state dynamics)을 기술하며, 광범위한 과학적 응용 분야를 가지고 있습니다. 필터링 (filtering) 설정에서 목표는 지금까지의 모든 관측값이 주어졌을 때 현재 상태에 대한 사후 분포 (posterior)를 모델링하는 것입니다. 전통적인 해결책들은 일반적으로 선형-가우시안 (linear-Gaussian) 시스템과 같이 분포적 또는 기능적 가정을 단순화하여 사용하는데, 이는 많은 시나리오에서 부정확할 수 있습니다. 원칙적으로 입자 필터 (Particle Filters, PFs)는 이러한 가정들을 제거하지만, 고차원에서는 종종 붕괴 (collapse) 현상이 발생합니다. 최근의 생성적 접근 방식 (generative approaches)은 조건부 상태 전이 (conditional state transitions)를 학습하지만, 원칙적인 베이지안 업데이트 (Bayesian updates) 없이는 올바른 필터링 사후 분포를 회복하지 못하며 긴 시계 (long horizons)에 걸쳐 오차가 누적될 수 있습니다. 본 연구에서는 입자 전파 (particle propagation)를 위해 분산을 최소화하는 최적 제안 (optimal proposal)을 근사하는 조건부 생성 모델 기반 제안을 학습하는 Flow Proposal Particle Filters (FPPF)를 소개합니다. 관측값에 조건화함으로써 가중치 부여 (weighting) 전에 입자들을 높은 가능도 (high-likelihood) 영역으로 유도하며, 이를 통해 가중치 분산을 줄이고 퇴화 (degeneracy)를 지연시킵니다. 우리의 제안 방식은 다루기 쉬운 가능도 평가 (tractable likelihood evaluation)를 허용하므로, FPPF는 정확한 중요도 가중치 (importance weights)를 계산하고 베이지안 업데이트 단계를 유지합니다. 나아가 우리는 국지화 전략 (localization strategies)을 통해 FPPF를 고차원 문제로 확장하여, 또 다른 표준적인 PF 실패 모드를 해결합니다. 다양한 동적 시스템 (dynamical systems)에 대한 광범위한 실험을 통해, FPPF가 비선형 (non-linear), 비가우시안 (non-Gaussian) 및 고차원 영역에서 통계적 베이스라인 및 기타 생성적 방법들보다 우수한 성능을 보임을 입증합니다.