노멀라이징 플로우(Normalising Flows, NFS)는 두 밀도 함수를 미분 가능한 일대일 대응(bijection)을 통해 매핑하며, 이 대응의 야코비안 행렬식(Jacobian determinant)을 효율적으로 계산할 수 있습니다. 최근에 황 등(Huang et al., 2018)은 밀도 함수의 보편적 근사자(universal approximator)인 신경 자기회귀 플로우(Neural Autoregressive Flow, NAF)를 제안하였습니다. 이 플로우는 다른 신경망(Neural Network, NN)이 파라미터를 예측하는 신경망으로 구성됩니다. 후자의 크기는 전자의 크기에 따라 이차적으로 증가하므로, 효율적인 파라미터화 기술이 필요합니다. 우리는 블록 신경 자기회귀 플로우(Block Neural Autoregressive Flow, B-NAF)를 제안합니다. B-NAF는 단일 피드포워드 네트워크(feed-forward network)를 사용하여 직접 일대일 대응을 모델링하는 훨씬 더 컴팩트한 밀도 함수의 보편적 근사자입니다. 가역성(invertibility)은 각 아핀 변환(affine transformation)을 블록 행렬(block matrices)을 사용하여 자동 회귀적(autoregressive)이고 (엄격히) 단조 증가(strictly monotone)하도록 세심하게 설계함으로써 보장됩니다. 우리는 B-NAF를 NAF와 다른 잘 알려진 플로우들과 비교하여 잠재 변수 모델(latent variable models)의 밀도 추정(density estimation)과 근사 추론(approximate inference)에서 성능을 평가하였습니다. 제안된 플로우는 데이터셋 간 경쟁력이 있으며, 파라미터 수가 몇 개 차수(order of magnitude) 적게 사용되는 것으로 나타났습니다.