Dec, 2020
基于规范流的改进变分贝叶斯系统演化推断
Improved Variational Bayesian Phylogenetic Inference with Normalizing Flows
Cheng Zhang
TL;DR本文提出一种名为 VBPI-NF 的变分贝叶斯方法，通过谨慎设计的置换等变变换来处理系统发育模型的非欧几里得分支长度空间，利用正则流提供丰富灵活的分支长度分布，从而显著改进了贝叶斯系统发育推断的实际数据表现。
Abstract
variational bayesian phylogenetic inference (VBPI) provides a promising
general variational framework for efficient estimation of phylogenetic
phylogeneticbayesian inferencevariational bayesiannormalizing flowpermutation equivariant transformations
发现论文，激发创造
改进的变分贝叶斯系统发育推断使用混合模型
VBPI-Mixtures 算法通过在 BBVI 领域利用混合学习的最新突破，弥合了 VBPI 无法建模的树拓扑分布的鸿沟，并在多个真实系统发育数据集上交付了最先进的难度估计任务的性能。
Oct, 2023
基于归一化流的 SBI 算法验证诊断
本文提出基于正则化流（Normalizing Flows，NF）的多维条件（后验）概率密度估计的易于解释的验证诊断方法，并提供了基于局部相容性结果的理论保证。该工作可用于检查、分析和保证估计器的一致行为，并以计算神经科学的上下文中涉及紧密耦合参数的具有挑战性的例子进行说明。
Nov, 2022
可变贝叶斯神经网络的乘法归一化流
本文将神经网络中的乘性噪声重新解释为辅助的随机变量，并将其引入贝叶斯神经网络的变分设置中。通过使用这种解释，我们展示了通过采用标准化流来改进近似后验估计的高效性和简单性，同时仍允许局部重新参数化和可计算较低的下界。通过实验证明，基于这种新近似方法的贝叶斯神经网络方法在预测准确性和不确定性方面都有显著提高。
Mar, 2017
PINF：用于物理约束深度学习的连续归一化流
本文介绍了基于物理信息的归一化流（PINF），它是连续归一化流的一种新方法，通过特征方法结合扩散，能高效解决高维时间依赖和稳态福克 - 普朗克方程。
Sep, 2023
黑盒变分推断的进展：归一化流、重要性权重和优化
通过在 30 个 Stan 模型库中的基准测试中评估与优化，normalizing flows 和 Monte-Carlo 方法的组合显着推进了黑盒 VI 的状态。
Jun, 2020
基于贝叶斯归一化流的条件密度估计
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