提出了基于蝴蝶层的可逆线性层族，构建了一种新型正则化流模型 ButterflyFlow， 在天然图像（如 MNIST、CIFAR-10 和 32x32 的 ImageNet）和结构化数据集（如星系图像和 MIMIC-III 病人群）上获得了更强的密度估计结果和更好的对数似然，同时在内存和计算方面比相关基线更高效。

Sep, 2022

本文提出了一种基于贝叶斯网络和图结构的图归一化流模型，在保留贝叶斯网络的可解释性和图归一化流的表示能力的同时，为将领域知识注入图归一化流提供了一个有前途的方法。

Jun, 2020

论文提出了 Residual Flows 的方法，该方法使用 “俄罗斯轮盘” 估计器提供可行的无偏似然估计，并使用一种替代无穷级数以线性内存对残差块进行训练，并取得了在流基模型密度估计方面的最优性能，并且在联合生成和判别建模上超过使用耦合块的网络。

Jun, 2019

本文研究了可逆神经网络的数值稳定性，发现常用结构存在逆爆炸现象及无法逆运算等问题，针对不同问题提出了逆问题的解决方法，证明了构建稳定可逆神经网络是重要的。

Jun, 2020

提出了定义置换等变性转化的替代方法以解决连续归一化流族的重要问题，将点过程和一般集合建模示例应用于该方法中，以此来改进投向方案的性能和最终表现。

Oct, 2020

本研究提出了自正则化流的概念，通过使用每一层中的学习近似反演，将昂贵的项替换为其梯度的自我正则化流，实现了流架构的培训，同时提供了高效的采样方法。实验表明，这些模型具有显著的稳定性，并优于在计算中限制函数的模型。

Nov, 2020

本文介绍了一种名为 i-flow 的 python 包，使用正则化流来实现高维数值积分和样本随机点的生成，通过与其他高维数值积分算法的比较，证明了 i-flow 的优越性，其代码公开在 gitlab。

Jan, 2020

本研究展示了传统的 ResNet 模型可以被做成可逆的，这意味着同一个模型可以同时用于分类、密度估计和生成。令人惊讶的是，我们的方法只需要在训练时增加一个简单的归一化步骤，而不需要将维度分割或限制网络结构。作为一种生成模型，可逆的 ResNet 可以通过无标签数据的最大似然估计进行训练。为了计算似然，我们引入了一个可计算的对余块 Jacobian 行列式对数的近似值。实验证明，可逆 ResNet 在严格意义下表现出色，达到了同一个架构内同时具有现有最先进图像分类器和流式生成模型的性能。

Nov, 2018

本文介绍了基于物理信息的归一化流（PINF），它是连续归一化流的一种新方法，通过特征方法结合扩散，能高效解决高维时间依赖和稳态福克 - 普朗克方程。

Sep, 2023

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