本文描述了一种基于正则化流模型的公平表示学习算法，它可以将不同群体的个体映射为单个群体，并在敏感属性方面实现更强的不变性。
Jan, 2022
本文介绍了一种新方法，叫做 CNF，用于建模条件密度函数和解决结构预测问题，同时证明了该方法在超分辨率和血管分割等任务上具有竞争力。
Nov, 2019
本文提出了一种名为 RNF 的新的偏差缓解技术，该技术通过仅调节 DNN 模型的任务特定分类头来实现公平，以减少 DNN 模型的歧视，即使输入具有偏差的表示。借助 RNF，我们有效地减少了任务特定性能中的歧视。
Jun, 2021
通过结合其他生成模型类别的方面，如 VAEs 和基于分数的扩散，放宽了 NFs 的严格双射约束，从而实现了表达能力、训练速度、样本效率和似然可追踪性的平衡。
Sep, 2023
通过对条件 NFs 的研究，我们提出了对抗训练以解决高方差、模式崩溃和数据效率等核心问题，通过在低维度的合成数据集和 XY 自旋模型上进行实验证明。
Jan, 2024
提出一种基于正则化流的新型黑盒对抗攻击方式，该方法通过对预先训练的流式模型基本分布进行搜索，生成的对手更加接近原始数据。同时，该研究还展示了该方法相对于已知黑盒对抗攻击方法的竞争性能。
Jul, 2020
本研究介绍了一种名为 NIF 的流行有噪声映射模型，可以通过注入变换学习数据流形的降维表示，有效提高了样品质量和数据嵌入的可分性。
Jun, 2020
本文提出了一种新型、基于图的生成模型 —— 图可逆正则流，并尝试将其应用于监督学习和非监督学习任务中，与其他自回归模型相比表现良好且更适合于并行计算架构。
May, 2019
本文介绍了一种新的黑匣子对抗攻击方法，该方法基于规范化流来对给定目标图像周围的对抗性样本密度进行建模，在生成的对手中，其具有更接近干净数据分布的属性，从而使其检测不太可能。此外，与部分现有的攻击方法相比，论文实验证明该方法具有较强的攻击性能。
通过条件归一化流来学习完整条件概率分布以匹配目标分布，消除模拟样本中的误建模，较之常见的重新加权技术，该方法独立于分组选择且不依赖于两个分布之间密度比率的估计，其可以提供高达三倍的统计精度，同时在高能粒子物理应用领域也具有一定的潜力。
Apr, 2023