정규화 흐름 (Normalizing Flows)은 단일 고정 밀도를 모델링하는 데 탁월하지만, 고에너지 물리학 (high energy physics)과 같은 과학 분야의 많은 문제들은 물리적 효과의 강도, 교정 상수 (calibration constant), 또는 계통 불확실성 (systematic uncertainty)의 원천과 같이 연속적인 매개변수의 함수로서 해당 밀도가 어떻게 변형되는지를 모델링할 것을 요구합니다. 매개변수 설정의 수가 매개변수의 수에 따라 기하급수적으로 증가하기 때문에, 모든 매개변수 구성에 대해 별도의 흐름을 학습하는 것은 빠르게 다루기 힘든 작업이 됩니다. 우리는 매개변수 의존적 밀도를 참조 구성에 대한 고정된 고충실도 흐름 (high-fidelity flow)과 매개변수에 대한 다항식이며 매개변수들에 대해 인수분해되는 학습 가능한 변환 (learnable transformation)의 합성으로 표현하는 인수분해 가능한 정규화 흐름 (Factorizable Normalizing Flows, FNFs)을 소개합니다. 이러한 구조는 실질적인 결과를 가져옵니다: 각 매개변수의 효과는 해당 매개변수만이 변화하는 샘플로부터 독립적으로 학습됩니다. 그 후 많은 매개변수의 결합된 반응은 조합론적으로 거대한 결합 공간을 샘플링하지 않고도 추론 시 합산(summation)을 통해 복원됩니다. 데이터에 공동으로 적용되는 두 개의 해석 가능한 변형이 있는 통제된 문제에서, 학습된 변환은 실제 변형을 재현하고 최적의 가능도 (optimal likelihood)와 일치하는 한편, 선택적인 상호작용 항 (interaction terms)은 여러 매개변수가 동시에 강하게 변할 때의 잔차 상관관계 (residual correlations)를 포착합니다. 결과적으로 생성된 모델은 해석 가능하며, 매개변수의 수에 따라 선형적으로 확장되고, 가능도 (likelihood)를 다루기 쉬운 상태로 유지합니다. 이는 연속적인 밀도 모핑 (density morphing)을 요구하는 모든 추론 워크플로우를 위한 일반적인 도구를 제공하며, 고에너지 물리학에서의 차세대 언빈 가능도 적합 (unbinned likelihood fits)을 직접적으로 가능하게 합니다.