更改

需要说明的是，因为分布间是可以相互变换的，因此对基础分布没有特定的限制，不失一般性的，可以使用标准分布（单高斯）分布作为基础分布。另外，在本文中，我们回避使用先验分布（prior distribution）来称呼这个基础分布，是因为这里的变量<math>\mathbf{z}</math>和其他场合下的隐变量不同，在标准化流模型中，一旦<math>\mathbf{x}</math>确定了，<math>\mathbf{z}</math>也随之确定下来，不存在随机性，也没有后验概率这一说法，所以不能称其为隐变量。

需要说明的是，因为分布间是可以相互变换的，因此对基础分布没有特定的限制，不失一般性的，可以使用标准分布（单高斯）分布作为基础分布。另外，在本文中，我们回避使用先验分布（prior distribution）来称呼这个基础分布，是因为这里的变量<math>\mathbf{z}</math>和其他场合下的隐变量不同，在标准化流模型中，一旦<math>\mathbf{x}</math>确定了，<math>\mathbf{z}</math>也随之确定下来，不存在随机性，也没有后验概率这一说法，所以不能称其为隐变量。

王磊、尤亦庄等由标准化流技术提出了神经重整化群技术，引入了神经重整化群，作为设计相互作用场论通用全息映射的通用方法。给定一个场论作用，训练一个基于流的分层深度生成神经网络，从不相干的体场波动中再现边界场集合。这样，神经网络就能开发出最优的重整化群变换。标准化流模型和NIS在某些方面具有相似性。它们都致力于使用可逆神经网络（INN）将复杂的微观状态<math>s</math>映射到更简单的宏观状态<math>S</math>，即粗粒化过程。在这种粗粒化之后，二者都试图最大化由此产生的有效信息量<math>L(s,S)</math>，从而提取出系统中重要的宏观状态特征。这种方法可以帮助理解复杂系统中的涌现现象和因果关系，在数据建模和分析中有较大应用潜力。

王磊、尤亦庄等由标准化流技术提出了神经重整化群技术，引入了神经重整化群，作为设计相互作用场论通用全息映射的通用方法。给定一个场论作用，训练一个基于流的分层深度生成神经网络，从不相干的体场波动中再现边界场集合。这样，神经网络就能开发出最优的重整化群变换。标准化流模型和NIS在某些方面具有相似性。它们都致力于使用可逆神经网络（INN）将复杂的微观状态<math>s</math>映射到更简单的宏观状态<math>S</math>，即粗粒化过程。在这种粗粒化之后，二者都试图最大化由此产生的信息效能<math>L(s,S)</math>，从而提取出系统中重要的宏观状态特征。这种方法可以帮助理解复杂系统中的涌现现象和因果关系，在数据建模和分析中有较大应用潜力。

==数学框架：最大化EI==

==数学框架：最大化EI==

==神经网络框架==

==神经网络框架==

[[文件:NIS Graph New.png||居中|600px|NIS框架简介]]

[[文件:NIS Graph new2.png|居中|600px|NIS框架简介]]

* 由于可逆神经网络很难在大数据集上训练，它只能在小数据集上工作，目前的数值实验也集中在弹簧振子和简单布尔网络等环境下；

* 由于可逆神经网络很难在大数据集上训练，它只能在小数据集上工作，目前的数值实验也集中在弹簧振子和简单布尔网络等环境下；

* 该框架仍然缺乏可解释性<ref>Williams, P.L.; Beer., R.D. Nonnegative decomposition of multivariate information. arXiv 2017, arXiv:1004.2515.</ref>；

* 该框架仍然缺乏可解释性<ref>Williams, P.L.; Beer., R.D. Nonnegative decomposition of multivariate information. arXiv 2017, arXiv:1004.2515.</ref>；

* NIS并未真正地最小化有效信息；

* NIS并未真正地最大化有效信息；

* 该模型可预测的条件分布仅限于高斯或拉普拉斯分布。

* 该模型可预测的条件分布仅限于高斯或拉普拉斯分布。