- 可变尾巴的正则化流动
使用高斯基础分布和最终变换层来生成重尾，我们提出了尾部变换流（TTF）方法，实验证明此方法在目标分布具有大维度或重尾权重时表现优于当前方法。
- 参数超曲面的注入流
支持且高效的密度估计模型，基于正则流模型的参数曲面密度计算方法，应用于奥卡姆因子回归模型和变分推断方法。
- 语言建模的显式词语密度估计
使用基于 NeuralODEs 和连续模拟的 Normalizing Flows 的一种新型语言模型，改进了某些基准模型。
- 卷积 L2LFlows：使用卷积归一化流生成高粒度量能器中准确的射流
为了构建计算效率高且能代替基于规则的模拟的生成式替代模型，本研究扩展了 L2LFlows 以模拟具有较大剖面尺寸的洗澡水，并引入了卷积层和 U-Net 型连接，从掩蔽自回归流变为耦合层，在 ILD 电磁量热计以及公共 CaloChallen - 具有归一化流的概率可信因果解释
我们提出了 PPCEF，一种用于生成概率上可信的反事实解释（CFs）的新方法。PPCEF 通过将概率形式与在一个统一框架内优化可信度相结合，超越了现有方法。与参考方法相比，我们的方法通过直接优化显式密度函数而不假定特定的参数化分布家族来强制 - 基于模型的针对表数据的考虑特征空间属性的反事实解释
该研究提出了一种使用标准化流的高效反事实解释方法，该方法捕捉复杂数据分布，学习具有保持接近性的有意义的潜在空间，并改进预测，特别在处理分类变量时表现出色。
- floZ: 从后验样本中估计证据的正则化流
我们提出了一种基于归一化流的新方法 (floZ)，用于从一组从非归一化后验分布中抽取的样本中估计贝叶斯证据 (及其数值不确定性)。通过在已知解析证据的分布上进行验证，最多可达到 15 个参数空间维度，并与两种先进的技术进行比较，这两种技术均 - 规范场上机器学习流的实际应用
通过归一化流在格点理论之间建立机器学习映射，可以作为精确采样和推理方案的组成部分。我们讨论并演示了在复制交换（并行加热）采样中应用流的两个应用，旨在改善拓扑混合，这些应用在当前可用的流的迭代改进基础上是可行的。
- 自主驾驶中基于归一化流的模型预测轨迹规划的采样
该研究探讨了基于采样的轨迹规划方法以及使用正则化流模型的采样分布生成，旨在提高自主驾驶中的路径生成效率。
- 变分贝叶斯最优实验设计与归一化流
基于贝叶斯优化实验设计的理论，利用变分方法近似求解后验分布，使用正则化流降低 EIG 估计偏差，并通过梯度优化方法对变分参数和设计变量进行同时优化，其结果在两个基准问题和两个实际应用中验证了方法的有效性。
- CVPR在 SO (3) 流形的乘积空间上进行正则流用于概率人体姿势建模
在旋转表示中，标准化流已经证明了它们在欧几里得空间中密度估计的功效，但其在各个领域如机器人技术或人体姿势建模中的应用仍未充分探索。我们引入了 HuProSO3，一个在 SO (3) 流形的高维乘积空间上运行的标准化流模型，用于对具有三个自由 - 快速统一的路径梯度估计方法用于正规化流
我们提出了一种快速路径梯度估计器，它显著提高了计算效率，并适用于所有实际相关的标准化流体结构。我们还证明了该估计器可以应用于最大似然训练，并且在几个自然科学应用中具有优越的性能和降低的方差。
- 通过正规化流改善 Λ 信号的领域适配
该研究使用归一化流在领域适应中表现出了新的应用，通过研究流基神经网络在 CLAS12 中提高 Λ 高超子信号提取的能力。
- 均场微正则梯度下降
微正则梯度下降是一种用于高维分布高效采样的能量模型采样过程，通过使用梯度下降从高熵分布（如高斯白噪声）将样本传输到低能量区域。我们将这个模型放置在归一化流框架中，展示它常常通过在下降过程中损失了不必要的熵而过拟合。为了解决这个问题，我们提出 - 高维变分推理的稳定正则流训练
通过使用软阈值和双射软对数变换方法，本文提出了稳定训练 Real NVPs 并在高维情景下实现更准确的后验近似的方法。
- 通过端到端最大化 KL 散度学习异常子群
使用 Syflow 方法和正则化流来寻找和描述具有异常目标特性的子群，并提供易于解释的子群描述。
- 基于归一化流的特征密度估计用于异常检测
基于特征密度估计和正态流的无监督型外分布检测方法可应用于任意预训练模型，通过密度阈值实现检测，并在图像分类中表现出强大的远外分布数据检测结果，包括 ImageNet-1k 与纹理的 98.2% AUROC，超过现有技术 7.8%。我们还探讨 - 基于条件归一化流的粗粒化分子表示的主动学习
本研究通过将问题分为精细程度和粗粒程度两个层面来解决 Boltzmann 分布的高效采样问题。利用粗粒程度空间上的条件正则流，实现了两个层面之间的概率联系，并使用主动学习的粗粒程度模拟来探索构型空间，从而在必要时更新流和进行全原子势能评估， - 可扩展的归一化流为大分子提供玻尔兹曼生成器
利用分裂通道和门控注意力的新型流架构，结合 2-Wasserstein 损失函数，使得 Boltzmann 生成器能够有效地学习蛋白质的构象分布，并在标准架构和训练策略无法成功的情况下，成功地模拟了蛋白质 G 和 HP35 的构象分布。
- Transformer 神经自回归流
使用 Transformer 神经自回归流（T-NAFs）通过注意力掩码将每个随机变量的维度视为单独的输入令牌，取得了 UCI 基准数据集上与 NAFs 和 B-NAFs 相媲美甚至更好的实验结果，同时使用数量级较少的参数而无需合成多个流。