Autoregressive Modelle zählen zu den besten performierenden neuronalen Dichte-Schätzern. Wir beschreiben einen Ansatz zur Erhöhung der Flexibilität eines autoregressiven Modells, der auf der Modellierung der Zufallszahlen basiert, die das Modell intern bei der Datenerzeugung verwendet. Durch den Aufbau einer Stapels von autoregressiven Modellen, wobei jedes Modell die Zufallszahlen des nächsten Modells im Stapel modelliert, erhalten wir eine Art von Normalizing Flow, die für die Dichteschätzung geeignet ist und die wir Masked Autoregressive Flow nennen. Diese Art von Flow steht in engem Zusammenhang mit dem Inverse Autoregressive Flow und ist eine Verallgemeinerung von Real NVP. Der Masked Autoregressive Flow erzielt Spitzenleistungen in einer Reihe allgemeiner Dichteschätz-Aufgaben.