本研究では、条件付き確率分布を推定するための生成的枠組みである条件プッシュフォワードニューラルネットワーク（CPFN）を提案します。CPFNは直接的に条件付き密度をモデル化するのではなく、適切な潜在変数のランダムベクトルを用いた確率マップを学習します。これにより、条件付きサンプリングやモンテカルロ法を通じた条件付き統計の推定が可能になります。モデルのトレーニングには、逆変換や敵対的トレーニングを必要としないカルバック・ライブラーの形式に基づく目的関数を用います。実験的に、CPFNはカーネル推定器や木構造アルゴリズム、人気のある深層学習技術と比較して競争力のあるまたはそれを上回る性能を示し、軽量でトレーニングの容易さを維持することができることを示しました。