NOFIS 使用正态化流辅助重要性抽样，通过学习一系列建议分布并结合重要性抽样，精确地估计罕见事件的概率，通过定性和定量实验证实 NOFIS 方法的优越性。

Oct, 2023

该论文提出了一种基于归一化流的新型积分器，可用于提高碰撞器物理模拟中的 Monte-Carlo 事件生成器的去加权效率，相对于基于替代模型的机器学习方法，我们的方法可以生成正确的结果，即使底层神经网络没有经过最优训练，我们以 Drell-Yan 型过程在 LHC 上的例子来说明这种新策略。

Jan, 2020

本研究旨在提出适用于顺序决策系统的两种自适应重要性采样算法，以高效地评估罕见事件的概率。该方法基于状态依赖的提议分布与目标分布之间的 Kullback-Leibler 散度最小化，用于减少精度方面的误差和处理多峰性提议分布的问题，并将多重重要性采样应用于多种基线以显示准确性改进。

Nov, 2022

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

我们提出了一种基于归一化流的多帧视频预测方法，可以直接优化数据可能性并生成高质量的随机预测，该方法可以实现对于视频生成建模的可行且竞争性的方法。

Mar, 2019

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

本文介绍了用于随机时空建模的条件归一化流方法，并通过从 ERA5 数据集中进行的日温度和小时位势地图预测任务的实验证明了该方法在捕捉时空相关性和超出训练时间范围的外推能力方面的有效性。

Nov, 2023

Flow-based deep generative models can be used for novelty detection in time series data and outperform traditional methods like the Local Outlier Factor.

Jun, 2019

本文提出一种新型的正则化流，其基于 Wiener 过程的微分变形，从而获得一个完整的时间序列模型，该模型继承了其基本过程的许多性质，如似然性和边缘效率。此外，我们的连续处理为有独立到达过程的不规则时间序列提供了自然框架，包括直接插值。在合成数据和真实世界数据的一系列实验中，我们证明了该模型相对于变分 RNN 和潜在 ODE 基线的优越灵活性。

Feb, 2020

提出了一种基于 VAE 的生成模型，该模型联合训练了基于正则化流的潜在空间分布和到观察到的离散空间的随机映射，解决了直接对离散序列应用正则化流所面临的挑战，并具有可比拟的性能和流灵活性。

Jan, 2019