正規化フローは、潜在分布を逆可能なニューラルネットワークを通じて変換し、生成モデルの柔軟で単純なアプローチを提供します。この際、正確な尤度が保たれます。本稿では、潜在ガウス混合モデルを使用した正規化フローによる生成半教師付き学習のエンドツーエンドアプローチであるFlowGMMを提案します。FlowGMMはその単純さ、ラベル付きデータと非ラベル付きデータに対する統一的な扱いと正確な尤度、解釈可能性、そして画像データ以外にも広く適用できる点で特徴的です。我々はAG-NewsやYahoo Answersのテキストデータ、表形式データ、半教師付き画像分類など多様な応用例において有望な結果を示します。また、FlowGMMが解釈可能な構造を見出し、最適化の必要がないリアルタイムの特徴量可視化を提供し、信頼性の高い予測分布を定義できることも示しています。