本文综述了 Normalizing Flows 在分布学习中的构建和使用，旨在提供模型的背景和解释，回顾现有的最新文献，并确定未来可行的有前途的方向和未解决的问题。
Aug, 2019
该研究介绍了分段归一化流，将目标分布划分为具有更好匹配标准正态基本分布拓扑结构的群集，并训练一系列流来建模复杂的多模式目标。
May, 2023
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
提出了随机归一化流的概念，它是一种在机器学习和统计力学领域中解决概率分布采样问题的方法，具有较快的采样效率和较强的表示能力。
Feb, 2020
我们通过学习参数分布并在潜在空间中进行控制，提出了一种使用双层优化和正规流参数化分布的模型预测控制方法，旨在克服使用简单似然函数进行采样时出现的性能问题。在模拟机器人任务中，我们证明了该方法比以前的方法具有更好的性能和更少的样本数。
Dec, 2022
提出了一种非参数生成模型，通过使用三角形状的传输映射来描述目标分布的条件分布，解决了基于参数的偏差和梯度优化器学习这些转换的可靠性问题。
Jul, 2023
本文介绍了一种基于自回归深度学习模型和有条件归一化流模型的多元时序动态建模方法，该方法通过建模统计依赖关系来提高精度和分析交互效应。实验结果表明，该方法在多个实际数据集上比现有技术表现更好。
通过深度神经网络构建概率测度之间的可逆传输映射，本文考虑了恢复绝对连续测度之间 $W_2$- 最优传输映射作为线性控制神经 ODE 流的问题，并提出了一种基于离散最优耦合的离散控制问题，以近似求解最优传输映射。最后，通过 Pontryagin 最大值原理，提出了一种迭代数值方法用于实际计算近似最优传输映射的算法。
Nov, 2023
使用 Normalizing Flow 生成模型进行条件概率抽样配合 Coupling Flows 和 Importance Sampling，可以在高维及罕见事件的环境下实现高效的采样和估计。
本文提出了一种引入张量网络构造的参考分布的扩展归一化流模型，将其应用于困难的变分推断任务中，显示出优于单独使用流或张量网络的结果。