文章1: NICE: NON-LINEAR INDEPENDENT COMPONENTS ESTIMATION
文章2：Real-valued Non-Volume Preserving （RealNVP）
文章3：Glow: Generative Flow with Invertible 1x1 Convolutions
NICE
学习目标：找一个变换h=f(x)，使得变换后的分布的每个分量是独立的
我们假设h和x的维度是一样的，f是可逆的，则我们有
并且，我们希望f的Jacobian矩阵和f−1比较容易计算。如果这是可以操作的，那么我们可以直接采样pX(x),
这个f的设计的主要核心思想是，将x分裂成两部分(x1,x2),然后变换成(y1,y2),
m可以是任意的函数(i.e., a ReLU MLP). 注意到，Jacobian矩阵的行列式是单位阵，并且非常容易算逆函数，
当然我们可以定义更一般性的架构,，加性交错coupling的架构。并且可以有一层一层的变换，有种flow的感觉。
我们可以定义最大似然函数：
pH(h)：先验分布，可以事先定义好的，比如各向同性的高斯分布.如果h的每个分量都是独立的，我们可以写成，
RealNVP
分裂的办法：
s 和 t 是 scale 和 translation, 函数，Rd ——>RD−d,
对应的Jacobia矩阵，
PS: 由于我们算逆函数和Jacobia矩阵的过程中，都没有涉及到s和t的逆函数，所以s和t是可以任意复杂的，i.e.，神经网络。
Glow
还有很多模型，待续。。。