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。

本研究提出了一种摊销贝叶斯后验估计方法，解决了新观察数据出现时需重新计算的问题。研究表明，逆KL估计器在预测中表现优越，尤其与变换器架构和归一化流结合时。

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。

本文综述了归一化流在分布学习中的应用，探讨了模型构建、表达能力及计算权衡，涵盖了分段归一化流、随机归一化流及非参数生成模型，提出了多元时序动态建模方法和优化算法，并展示了在实际数据集上的优越性能。

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。