为了在现实世界中实现可靠的自主机器人部署，对 Out-of-Distribution (OOD) 检测能力的需求很高。基于密度估计和归一化流的 OOD 检测是一种有效方法，但之前的工作尝试使用简单的基础分布拓扑地匹配复杂的目标分布，导致了不利的影响。本文通过使用一个具有表达力的类条件基础分布，基于信息论目标来匹配所需的拓扑结构，从而避免了这种拓扑不匹配问题。所提出的方法在不降低性能和最小化计算开销的同时，提高了 OOD 检测能力。我们在密度估计和 2D 对象检测基准测试中，与广泛的基线模型相比，展现了卓越的结果。此外，我们还展示了该方法在实际机器人部署中的适用性。

Nov, 2023

基于特征密度估计和正态流的无监督型外分布检测方法可应用于任意预训练模型，通过密度阈值实现检测，并在图像分类中表现出强大的远外分布数据检测结果，包括 ImageNet-1k 与纹理的 98.2% AUROC，超过现有技术 7.8%。我们还探讨了预训练模型的特征空间分布与我们方法性能之间的关联，并提供了应用正态流用于外分布检测时的训练陷阱。

Feb, 2024

研究重点是解释深度生成模型中的异常现象机制，提出了 “图像复杂性” 的独立变量概念，并在实验中证明了该问题的有效缓解方法，并在另一个深度生成模型（PixelCNN++）中提供了其假设的潜在应用证据。

Feb, 2024

本文探讨了正则化流在检测异常数据方面的性能问题，发现正则化流架构具有局部像素相关性和通用图像到潜空间转换的缺陷，并通过修改它的架构，使其更好地适应特定数据语义结构，进而提高检测性能。

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

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

提出了一种基于可逆规范化流模型的异常检测方法，通过学习所有合法目标类别的联合数据分布，能够在生成的异常特征具有低于所有目标类别合法物体的低可能性的同时，建模更好的入侵对象和异常对象的决策边界，在图像和视频数据集中显著优于现有的技术。

Feb, 2023

通过使用正则化流，将软 actor-critic（SAC）方法扩展到更丰富的概率分布类别，能够显着提高策略的探索性能，同时使用更小的策略表示，增加了参数效率。

May, 2019

利用可行解来简化机器学习中复杂任务的寻优问题，利用可行 action 子空间的训练可以生成多个可重用技巧，通过使用核密度估计、重采样和重要性采样的组合来推导任意 f - 分歧的一般优化目标。

Jan, 2023

使用低维流形的测度和距离作为离群检测的标准，实验结果表明流形学习改善了归一化流这一类基于似然模型的离群检测能力，而无需修改模型结构或使用训练期间的辅助离群数据。

Aug, 2023