高斯过程在连续动力系统的向量场建模中已被广泛使用，本研究将归一化流引入常微分方程向量场，提高了贝叶斯高斯过程常微分方程的准确性和不确定性估计能力。
Sep, 2023
本文通过迭代高斯化的过程，提出了一种名为 “高斯化流” 的正态流模型，能够进行高效的似然计算和样本生成，而且具有良好的表达能力，能够捕捉多峰分布，且相较于其他流模型有更好的鲁棒性和泛化能力。
Mar, 2020
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
本论文提出了一种新的变分推断方法，通过应用一系列可逆转变，构造了一种更为复杂的、灵活的、可拓展的近似后验分布，与简单的后验分布相比，提升了推断性能和适用性。
May, 2015
本文提出了一种基于流模型的方法来估计条件密度并解决逆问题，并通过实验验证其在产生高质量样本和不确定性量化方面的有效性。
Feb, 2020
提出了两种可扩展的高斯过程回归方法，通过应用变分推断和直接处理后验预测分布来改善模型预测不确定性。
Oct, 2019
该研究论文介绍了一种基于神经网络和正则化流的灵活变分后验分布逼近方法，提出了一种名为 ConvFlow 的新型正则化流方法，并证明了其在合成和实际问题中的有效性和效率。
Nov, 2017
本文综述了正则流动的研究现状，通过概率建模和推断的视角，分析了其表达能力、计算权衡等基础原理，并将其与更一般的概率转换联系起来，总结了其在生成建模、近似推断和监督学习等任务中的应用。
Dec, 2019
该研究提出了一种变分推断方法，通过定义于对称正定矩阵空间上的矩阵变分流来逼近高斯图模型的后验分布，对任意正则化参数 λ 和任意 l_p (伪 -) 范数，包括非凸的 l1 伪范数进行联合训练，从而获得一个模型，并可以恢复频率主义的解路径。
Jun, 2023
本文提出使用正规化流作为灵活的似然模型，以及提出了一种有效的方法来适应复杂分布的条件密度估计问题，其使用贝叶斯框架对这些条件密度估计器进行先驱概率分析，最终将该方法应用于两大数据集的空间密度建模任务上，并在某些情况下获得了最先进的性能。
Feb, 2018