本文介绍基于单调分段函数有理二次样条的神经模型流，在保持解析可逆性的同时提高了耦合和自回归变换的灵活性，并展示了神经样条流在密度估计、变分推断和图像生成建模中的相对表现优良。

Jun, 2019

本文介绍一种基于单调三次 B 样条和 LU 分解的耦合变换正则化流，其在密度估计上表现出与自回归流相衔接的效果。

Jun, 2019

本文提出了一种新的可逆变换类别，并将其应用于基于流的生成模型，提出两种新的耦合层并在数字数据实验中验证，表明这些新的耦合层能够在 Integer Discrete Flows（IDF）中取得比标准耦合层更好的效果，并能导出一些已知的可逆转换。

Nov, 2020

本研究提出了可至少连续二阶可微且双 Lipschitz 连续的非均匀 B 样条流，它具有解析反演变换，并应用于解决 Boltzmann 生成器中的力匹配问题，其结果比以前的样条流更好，比平滑归一化流更快。

Apr, 2023

通过使用离散层构建等变归一化流，我们引入了三种新的等变流：$G$-Residual Flows，$G$-Coupling Flows 和 $G$-Inverse Autoregressive Flows，除了理论研究外，还在像 CIFAR-10 这样的图像数据集上进行了实证实验来证明其效果。

Oct, 2021

本文介绍了归一化流在高维矩阵行列式计算和神经网络可逆变换这两个应用挑战中的巧妙应用，并使用三孔梁桥、拱桥、斜拉桥和悬索桥的对称结构图像数据集构建和训练了基于 TensorFlow Probability 库中的 Glow API 的归一化流模型，使其能够将桥梁数据集的复杂分布平滑地转换为标准正态分布，并通过对获得的潜在空间进行采样，生成与训练数据集不同的新桥梁类型。

Jan, 2024

本文研究了对于对数几率模型的归一化流表示，主要关注模型深度和分区选择实现上的困难。结果表明，每个分区仅需 Theta (1) 个仿射耦合层就足以精确表示排列或者 1*1 的卷积，同时也被证明具有较好的普适性。同时我们也展示了对于少量神经元元素和有限 Lipschitz 常数的流构架的深度下限。

Oct, 2020

我们通过使用梯度的有效估计器来克服了正规化流设计受到解析可逆性需求的约束，并实现了任意保持维度的神经网络作为最大似然训练的生成模型，在分子生成基准测试中取得了出色的结果，同时采用现成的 ResNet 架构在一个反问题基准测试中具有竞争力。

Oct, 2023

本文介绍了一种使用混合变换的规范连续流方法，可应用于计算力和高阶导数所需的平滑密度函数，并可用于分子动力学模拟。

Oct, 2021

本文提出了一种基于贝叶斯网络和图结构的图归一化流模型，在保留贝叶斯网络的可解释性和图归一化流的表示能力的同时，为将领域知识注入图归一化流提供了一个有前途的方法。

Jun, 2020