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

本文讲述了如何通过反向传播学习网络流量数据关联的特征，通过应用到多目标跟踪中，消除了费用手工设计的烦恼，且在各种情况下测试表明相比手工设计费用，其效果更佳。

Jun, 2017

该研究提出了一种针对视频识别的研究框架，Deep feature flow，使用卷积神经网络在关键帧上运行，通过流场传播其特征图到其他帧，大大提高了视频识别的速度和准确性，同时为实际应用打下坚实的基础。

Nov, 2016

本文提出了运用 DifferNet 结合卷积神经网络的特征提取和标准流估计来解决制造过程中产品缺陷检测难的问题，通过最终得分进行缺陷像素位置的精确定位，而且不需要大量训练样本，与目前其他方法相比在 MVTec AD 和 Magnetic Tile Defects 数据集上表现更好。

Aug, 2020

本文提出了两种方法，通过使用自动微分和数值线性代数技术，以可计算的梯度的形式，实现了端到端的非线性流形学习和密度估计，有效地解决了流形上的体积变化问题，并且在流形学习和流形上的分布估计等方面表现优越。

Jun, 2021

通过神经网络梯度下降在 Riemannian 度量空间中建立流的理论，以近似 Calabi-Yau 度量为动机，并且通过理解神经网络空间中的流进而实现。通过推导相应的度量流方程，我们发现其受到度量神经切向核的控制，这是一个在时间中演化的复杂的非局部对象。然而，许多体系结构可以进行无限宽度的极限，其中核固定且动力学简化。额外的假设可以引入流动的局部性，从而实现 Perelman 的 Ricci 流形式，该流形式曾被用于解决 3D Poincaré 猜想。我们将这些思想应用于数值 Calabi-Yau 度量，包括对特征学习重要性的讨论。

Oct, 2023

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

本研究提出了一种基于超像素的图像匹配算法，利用卷积神经网络中的早期到后期的相关特征，结合 Hough 几何投票算法，能够有效地处理大量图像，并在多个标准基准测试中创造新的记录。

Aug, 2019

我们通过使用梯度的有效估计器来克服了正规化流设计受到解析可逆性需求的约束，并实现了任意保持维度的神经网络作为最大似然训练的生成模型，在分子生成基准测试中取得了出色的结果，同时采用现成的 ResNet 架构在一个反问题基准测试中具有竞争力。

Oct, 2023

本文介绍了一种通过增加数据而扩展中间维度限制的方法 VFlow，提高了生成流模型的表达能力，并在 CIFAR-10 数据集上实现 2.98 bits per dimension 的最新成果。

Feb, 2020