本文综述了正则流动和概率电路模型的研究进展，探讨其在生成建模、近似推断和监督学习中的应用。提出了新方法P-VAE和InceptionPCs，展示了在复杂数据建模和推理中的优势，并强调了表现力与可计算性之间的权衡。

高斯过程回归因计算成本高而难以扩展，研究提出稀疏逼近、混合专家、变分推断、PAC-Bayes优化及HMC采样等近似与推断方法，以提升可扩展性和泛化性，并探讨了其在贝叶斯优化、超参数调优、金融建模和无监督学习中的应用，同时给出模型适用性评估框架。

本文综述正则化流研究，从概率建模与推断视角分析其表达能力与计算权衡，并关联一般概率变换。总结其在生成建模、近似推断、监督学习、异常检测、蒙特卡洛模拟及格点场论中的应用，指出未来方向与未解决问题。