该研究论文介绍了一种基于神经网络和正则化流的灵活变分后验分布逼近方法，提出了一种名为 ConvFlow 的新型正则化流方法，并证明了其在合成和实际问题中的有效性和效率。

Nov, 2017

我们介绍了一种全球无梯度替代优化策略，用于昂贵的黑盒函数，其灵感来自于福克 - 普朗克和朗之万方程。该方法依赖于归一化流密度估计，以执行主动学习和选择评估的提案点。该策略与贝叶斯优化方法使用的收敛函数截然不同，并可适应一系列替代选择。我们在标准的合成测试函数、中等维度的非凸多模式后验以及科学和神经网络超参数优化等实际目标上展示了与最先进基线相竞争的优势或有竞争力的进展。

Oct, 2023

通过使用满射规范化流方法，在深度神经网络模型中计算单次前向传播，可可靠地识别来自分布之外的数据集。该方法基于深度不确定性量化和正则化流中的最新进展，应用于合成数据集并与其他模型进行比较，表明满射流模型是可靠区分分布内外数据的关键组成部分。

Nov, 2023

本论文提出了一种新的变分推断方法，通过应用一系列可逆转变，构造了一种更为复杂的、灵活的、可拓展的近似后验分布，与简单的后验分布相比，提升了推断性能和适用性。

May, 2015

通过在 30 个 Stan 模型库中的基准测试中评估与优化，normalizing flows 和 Monte-Carlo 方法的组合显着推进了黑盒 VI 的状态。

Jun, 2020

本文将神经网络中的乘性噪声重新解释为辅助的随机变量，并将其引入贝叶斯神经网络的变分设置中。通过使用这种解释，我们展示了通过采用标准化流来改进近似后验估计的高效性和简单性，同时仍允许局部重新参数化和可计算较低的下界。通过实验证明，基于这种新近似方法的贝叶斯神经网络方法在预测准确性和不确定性方面都有显著提高。

Mar, 2017

我们提出了 “变分流模型” 作为 “后验流” 的广义概率流模型的变分推断解释，并提出了一种无需训练的方法来将 “线性” 随机过程的后验流转化为直速常数速度（SC）流，便于沿着原始后验流进行快速采样。我们的方法的灵活性允许我们在不同的 “线性” 随机过程中进行两个后验流的相互转换，同时可以轻松地将高阶数值解算器集成到转换后的 SC 流中，进一步提高采样精度和效率。严格的理论分析和大量的实验结果证实了我们的框架的优势。

Feb, 2024

本文研究用隐式方法对过阻尼 Langevin 随机微分方程的数值逼近，结果表明，数值解的生成器与经修改的 Kolmogorov 方程的解基本一致，这意味着每个数值方案的度量都接近于通过渐近展开所得到的修改不变度量。此外，我们证明了隐式方案的动态，在忽略项的情况下，是指数混合的。

Oct, 2013

本文研究了等变正规化流，在物理和化学的多体系统中存在的对称性被设计地融入流中，建立流的基础块并提高采样效率与泛化能力。

Jun, 2020

我们研究了基于高斯降噪的模拟 - free 连续标准化流的良定义性、可微性和唯一性，通过建立高斯插值流的统一框架，我们证明了流速度场的利普希茨正则性、流的存在唯一性，以及流映射和时间反向流映射在多个丰富的目标分布类别中的利普希茨连续性，这也揭示了高斯插值流的自动编码和循环一致性特性。我们还研究了这些流在源分布和速度场扰动中的稳定性，利用二次 Wasserstein 距离作为度量。我们的发现为用于生成建模中的高斯插值流的学习技术提供了宝贵的见解，为使用经验观察进行端到端误差分析的学习 GIFs 提供了坚实的理论基础。

Nov, 2023