本研究提出了一种基于归一化流的贝叶斯优化方法（NF-BO），有效解决了现有方法中的价值差异问题。实验结果表明，该方法在分子生成任务中显著优于传统及近期的贝叶斯优化方法。

本文提出了一种名为TarFlow的架构，旨在解决归一化流在生成建模中的不足。TarFlow在图像生成和密度估计任务中表现优异，其样本生成质量和多样性与扩散模型相当。

本文介绍了一种基于归一化流的深度生成模型的变分重整化群方法，通过变量变换从物理空间到潜在空间进行分级，生成近似相互独立的潜在变量，具有精确和可处理的似然度。研究展示了该方法在Ising模型中的实际应用，并讨论了与重整化群的联系。

本文介绍了一种适用于复杂和各种场景的安全通用端到端自动驾驶系统（SGADS），该系统结合了变分推断与归一化流，能够准确预测未来的驾驶轨迹，并提出了鲁棒安全约束的制定方法。实验结果表明，SGADS 能够显著提高安全性能，在复杂城市场景中展现出强大的泛化能力，并提高智能车辆的训练效率。

本文介绍了一种基于归一化流的深度生成模型的变分重整化群方法，用于生成近似相互独立的潜在变量，并在 Ising 模型中进行了实际应用。同时，讨论了该方法与重整化群的小波分析和信息保存 RG 的联系。