本文探讨了利用条件归一化流进行不规则时间序列的概率预测，解决缺失值问题，并显著提高模型的似然度。通过引入copula和边际生成流，改进了深度生成网络的尾部特性建模。研究表明，该方法在多个实际数据集上表现优越，尤其在天气和气候预测中具有良好应用前景。

神经控制微分方程（Neural CDE）利用log-signature和粗路径理论处理不规则时间序列，在分类、预测和连续监测中性能优于传统模型，且训练更快、内存更少。相关扩展包括GN-CDE、STG-NCDE和NRDE，应用于动态图、交通预测及路径相关偏微分方程，并推动可逆变换与在线预测研究。

该文综述神经控制微分方程与因果推断方法，用于不规则采样时间序列建模，涵盖TE-CDE、LSTM推断隐藏混沌变量、神经CDE、L1正则化稀疏线性动态系统、稳定扩散因果推断及泛化误差分析，并应用于心脏电传导异常检测与临床预测。

本文提出了一种基于Wiener过程微分变形的正则化流，用于不规则时间序列建模，包括直接插值。实验表明，该模型相对于变分RNN和潜在ODE基线具有优越的灵活性。