提出了一种基于最优传输理论和神经常微分方程的连续归一化流方法，具有高维密度估计和生成建模的能力，在五种任务中与现有技术相比表现出色，且训练时间为现有技术的 8 倍。

May, 2020

本论文介绍了一种新变种的动态归一化流模型（TCNF），基于布朗运动的时间变形，能够有效地建模一些随机微分方程，包括标准的奥恩斯坦 - 乌伦贝克过程，并且提供更好的推断和预测能力。

Dec, 2023

通过对神经 ODE 的时间序列回归和连续归一化流中的离散优化（Disc-Opt）和优化离散（Opt-Disc）方法进行比较，我们证明了 Disc-Opt 方法在数值处理上的小心使用可以在推理中达到与 Opt-Disc 相似的性能，同时大大降低了训练成本。

May, 2020

通过连续归一化流（CNFs）和线性插值，我们研究了采用匹配流目标函数学习概率分布的 CNFs 在从有限随机样本中学习概率分布方面的理论属性，并建立了基于 Wasserstein-2 距离的分布估计器的非渐进误差界。

Mar, 2024

基于连续归一化流的生成建模范例中，发现使用流匹配方法与扩散路径一起训练更具有鲁棒性和稳定性，并且可以开启使用优化运输插值定义的非扩散概率路径，该方法比传统扩散模型更适用于训练 ImageNet，并能快速生成可靠采样结果。

Oct, 2022

通过深度神经网络构建概率测度之间的可逆传输映射，本文考虑了恢复绝对连续测度之间 $W_2$- 最优传输映射作为线性控制神经 ODE 流的问题，并提出了一种基于离散最优耦合的离散控制问题，以近似求解最优传输映射。最后，通过 Pontryagin 最大值原理，提出了一种迭代数值方法用于实际计算近似最优传输映射的算法。

Nov, 2023

本文提出了一种称为神经流动流形的新型生成模型，可以更好地适应数据几何，增加了模型的通用性和表达能力并提高了密度估计和下游任务的效果。

Jun, 2020

DDNF 模型是一种基于普通微分方程 (ODE) 和递归神经网络 (RNN) 的正则差分流模型，具有高效的似然度评估和柔性的密度估计能力， 是一种具有竞争力的新型神经密度估计技术，还可以在 Riemannian 半群中扩展。

Oct, 2018

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

本文提出了一种新的训练目标 equivariant flow matching，该方法是基于最近提出的 optimal transport flow matching，利用目标能量的对称性来对称等变 CNFs 进行高效的仿真 - free 训练，在许多粒子系统和小分子 alanine dipeptide 中展示了我们方法的有效性，我们首次获得了一个具有显着采样效率的 Boltzmann 生成器，而不依赖于定制的内部坐标特征选取。

Jun, 2023