conditional-normalizing-flows

本文提出了一种基于条件归一化流的不确定性感知多保真度框架，用于改进复杂多尺度系统的降阶模型（ROM）的预测准确性。该方法学习从低保真度到高保真度系数的概率映射，并在涡旋合并问题上进行了验证，展示了改进的准确性和不确定性量化。