本文综述了正则流动的研究现状，通过概率建模和推断的视角，分析了其表达能力、计算权衡等基础原理，并将其与更一般的概率转换联系起来，总结了其在生成建模、近似推断和监督学习等任务中的应用。

Dec, 2019

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

本论文提出了新方法来研究自然语言处理（NLP）任务中表征模型和数据不确定性的好处，通过在卷积和循环神经网络模型上的实证实验，展示了明确建模不确定性不仅有利于测量输出置信水平，而且对于提升各种 NLP 任务中的模型表现也是有用的。

Nov, 2018

本研究通过提出一种简单的蒸馏方法，证明了在图像超分辨率和语音合成领域，可以将基于流的模型提炼为更高效的替代模型。

Jun, 2021

神经语音合成系统通常以 L1/L2 损失为优化目标，本研究比较了传统的基于 L1/L2 的方法与扩散和流模型在语音合成中的效果，并发现流模型在音谱图预测方面表现最佳，同时扩散和流模型在韵律预测方面也显著优于典型的 L2 训练模型。

Jul, 2023

本研究探讨预测模型在医疗健康领域中的应用，特别是自监督模式下标记数据的超拟合问题，发现高斯过程能够以较高的预测准确性评估指标和平均最大预测置信水平，对 3 种不确定性标签进行风险评估并保持强大的预测力。

May, 2022

快速增长的大型语言模型和自然语言处理（NLP）应用对不确定性量化提出了关键需求，以减轻幻象等风险并提高关键应用中的决策可靠性。条件预测正在成为一个理论上健全且实用的框架，结合了灵活性和强有力的统计保证。它的模型无关性和无分布性质使其特别有希望解决源于 NLP 系统缺乏不确定性量化的现有缺点。本文对条件预测技术、其保证以及 NLP 中的现有应用进行了全面调研，指出了未来研究的方向和面临的挑战。

May, 2024

通过引入条件伪可逆归一化流，我们提出了一种构建受加性噪声污染的物理模型的替代模型的方法，以便有效量化前向和反向的不确定传播。我们的模型可以直接学习并高效地从条件概率密度函数中生成样本，并且可以针对任何高概率区域被训练集所覆盖的条件概率密度函数生成样本。此外，伪可逆性特性使得我们可以使用全连接神经网络结构，简化了实现并实现了理论分析。我们的方法经过了严格的收敛性分析，证明了其能够使用 KL 散度收敛于目标条件概率密度函数。为了证明我们方法的有效性，我们将其应用于几个基准测试和一个真实的地质碳储存问题。

Mar, 2024

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