本文证明了基于 Coupling Flows 的可逆神经网络可以近似任何 C^k-norm 双向微分同胚，同时提出了 Parametric-CFlows 并在贝叶斯优化中应用，表现优于其他神经代理模型。

Feb, 2022

本文研究了基本的正则化流，并在其表达能力上严格地建立了界限。研究结果表明，尽管这些流在一个维度上具有高度表达能力，在更高的维度下，特别是在流具有适度深度时，它们的表达能力可能受到限制。

May, 2020

本文研究了对于对数几率模型的归一化流表示，主要关注模型深度和分区选择实现上的困难。结果表明，每个分区仅需 Theta (1) 个仿射耦合层就足以精确表示排列或者 1*1 的卷积，同时也被证明具有较好的普适性。同时我们也展示了对于少量神经元元素和有限 Lipschitz 常数的流构架的深度下限。

Oct, 2020

本研究证明了基于耦合流的可逆神经网络是普遍逼近器，可以应用于正则化流模型，并展示了一种方法来证明特定微分同构类的逼近器的等效性。

Jun, 2020

该文研究了通过交叉单元耦合和密集连接等方法增强正常化流模型表达能力并提高密度估计精度的问题。

Jun, 2021

本研究论文介绍了一种在双曲空间上扩展 Normalizing Flow 的方法，使其能够更好地模拟具有分层结构的数据，并展示了该方法在密度估计和图数据重建等领域的高效性与优越表现。

Feb, 2020

提出了一种基于 VAE 的生成模型，该模型联合训练了基于正则化流的潜在空间分布和到观察到的离散空间的随机映射，解决了直接对离散序列应用正则化流所面临的挑战，并具有可比拟的性能和流灵活性。

Jan, 2019

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

本文提出了使用更加复杂的 Copula 分布来代替高斯基础分布，从而提高归一化流模型的灵活性和稳定性，特别地，在处理重尾分布数据时效果显著提升，并解释了这一改进与所学习流的局部 Lipschitz 稳定性有关。

Jul, 2021