该研究使用 (条件) 归一化流构建动态模型、提议分布和测量模型，提出了一种不同 iable 粒子滤波框架，并通过一系列数值实验评估了该方法的性能。

Mar, 2024

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

通过引入条件伪可逆归一化流，我们提出了一种构建受加性噪声污染的物理模型的替代模型的方法，以便有效量化前向和反向的不确定传播。我们的模型可以直接学习并高效地从条件概率密度函数中生成样本，并且可以针对任何高概率区域被训练集所覆盖的条件概率密度函数生成样本。此外，伪可逆性特性使得我们可以使用全连接神经网络结构，简化了实现并实现了理论分析。我们的方法经过了严格的收敛性分析，证明了其能够使用 KL 散度收敛于目标条件概率密度函数。为了证明我们方法的有效性，我们将其应用于几个基准测试和一个真实的地质碳储存问题。

Mar, 2024

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

通过建模生成概率路径的向量场，连续归一化流（CNFs）利用神经网络学习参考密度与目标密度之间的概率路径。本文重新利用流匹配（FM）方法，结合马尔可夫采样方法评估 FM 目标和使用学习的概率路径改进蒙特卡洛采样，将该方法用于概率推断。我们提出了一种顺序方法，利用马尔可夫链的样本修正定义 FM 目标的概率路径。我们增加了自适应调节机制以发现目标中的多个模式。在温和的假设下，我们证明了 FM 目标的局部最优收敛性，讨论了收敛速率的改进，并在合成和真实世界示例中说明了我们的方法。

May, 2024

提出了随机归一化流的概念，它是一种在机器学习和统计力学领域中解决概率分布采样问题的方法，具有较快的采样效率和较强的表示能力。

Feb, 2020

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

该论文提出了一种名为 FlowChain 的新型基于正规化流的轨迹预测模型，它利用解析概率密度计算来满足快速计算和准确预测的要求，并通过最新观察位置的快速更新来提高预测精度。

Aug, 2023

本文介绍了一种利用干预深度规范化流方法从观测数据中估计潜在结果密度的方法，并且在各种实验中展示了其高效和可行性。

Sep, 2022

本文介绍了一种基于自回归深度学习模型和有条件归一化流模型的多元时序动态建模方法，该方法通过建模统计依赖关系来提高精度和分析交互效应。实验结果表明，该方法在多个实际数据集上比现有技术表现更好。

Feb, 2020