Normalizing Flows

تدفقات التطبيع هي نماذج ذكاء اصطناعي توليدي تتعلم تعيينًا عكسيًا بين توزيع احتمالي بسيط، وعادة ما يكون ضوضاء غاوسية، وتوزيع بيانات معقد. وعلى عكس العديد من النماذج التوليدية، يمكنها إنشاء عينات وحساب احتمالات البيانات بدقة بكفاءة. وهذا يجعلها مفيدة لتقدير الكثافة، ونمذجة عدم اليقين، وتعلم الفضاءات الكامنة المهيكلة، كما هو موضح في مراجعة تدفقات التطبيع الأساسية. (arxiv.org)

كيف تعمل Normalizing Flows#

يطبق التدفق سلسلة من تحويلات الشبكة العصبية القابلة للعكس:

1. أخذ عينة من نقطة من توزيع أساسي بسيط.
2. تحويلها من خلال عدة طبقات قابلة للعكس.
3. تتبع كيفية توسيع أو تقليص كل طبقة لكثافة الاحتمال باستخدام محدد مصفوفة جاكوبي الخاص بها.
4. عكس التحويلات عند حساب احتمالية البيانات المرصودة.

يقدم درس تدفقات التطبيع في بايرو أمثلة عملية لأخذ العينات وتقييم الكثافة. وعلى الرغم من أن الاسم يبدو مشابهًا، فإن تدفقات التطبيع ليست مثل تطبيع الميزات أو التطبيع الدفعي. وهنا، تعني كلمة "التطبيع" تحويل توزيع معقد إلى توزيع قياسي.

تتطلب التصاميم التقليدية طبقات عكسية مهيكلة بعناية. يخفف بحث التدفقات حرة الشكل الأخير من هذا القيد، بينما يوضح تحليل العالمية لتدفقات الأزواج لعام 2024 سبب بقاء طبقات الأزواج التآلفية فعالة. (proceedings.mlr.press)

تطبيقات العالم الحقيقي#

• كشف الشذوذ الصناعي: يمكن للتدفق نمذجة التضمينات من المنتجات الخالية من العيوب والإبلاغ عن العينات غير المحتملة أثناء الفحص البصري. ومع ذلك، فإن الاحتمالية وحدها ليست دائما مقياسا موثوقا لخارج التوزيع، كما يوضح بحث نيربيز حول اخفاقات احتمالية التدفق. تحقق من النتائج باستخدام مقاييس خاصة بالمهمة وبيانات غير طبيعية ممثلة. (proceedings.neurips.cc)
• التصوير الطبي: يستخدم نموذج تدفق الموجات فوق الصوتية عبر الجمجمة لعام 2024 تدفقات التطبيع لإعادة البناء بشكل أسرع وتقدير عدم اليقين. يمكن أن تدعم تقنيات مشابهة تحليل الصور الطبية حيث تحتاج التنبؤات إلى نطاقات ثقة. (proceedings.mlr.press)
• البيانات الاصطناعية والمعايرة: يمكن للتدفقات توليد بيانات اصطناعية مهيكلة أو نمذجة أخطاء التنبؤ. يوضح عمل 2024 حول تدفقات التطبيع للانحدار المطابق فترات عدم يقين أكثر تكيفا. يمكن تعليق بيانات الرؤية المولدة وتدريبها ونشرها عبر منصة Ultralytics. (proceedings.mlr.press)

Normalizing Flows مقابل الطرق ذات الصلة#

يقوم مطابقة التدفق عادة بتدريب حقل سرعة مستمر مع هدف انحدار، كما هو مفصل في دليل مطابقة التدفق من ميتا. وبدلاً من ذلك، تؤكد تدفقات التطبيع التقليدية على التحويلات العكسية وتحسين الاحتمالية المباشرة. يسعى التدفق المقوم إلى مسارات نقل أكثر استقامة، بينما تولد نماذج الانتشار البيانات من خلال إزالة التشويش التكراري. تختلف تدفقات التطبيع أيضًا عن شبكات التدفق التوليدية، والتي تتعلم سياسات لبناء كائنات منفصلة، وعن GANs، التي لا توفر عادة احتمالات دقيقة. (ai.meta.com)

التطورات الحديثة وأفضل الممارسات#

لقد أدت المعماريات المستندة إلى المحولات إلى تجديد الاهتمام بالتدفقات. أفادت دراسة TarFlow لعام 2025 بتوليد صور منافسة لنهج الانتشار، بينما قامت Jet بتحديث تدفقات الأزواج باستخدام محولات الرؤية. وفي عام 2026، ربط تدفق التدفق المستند إلى الانحدار تدفقات التطبيع بأهداف بأسلوب مطابقة التدفق، وأدمجت SESaMo التناظرات الفيزيائية الدقيقة. (proceedings.mlr.press)

لتطبيقات الرؤية، هناك نهج عملي يتمثل في نمذجة التضمينات عالية المستوى بدلاً من البكسلات الخام:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
embeddings = model.embed("https://ultralytics.com/images/bus.jpg")
print(embeddings[0].shape)

يمكن أن تصبح تضمينات Ultralytics YOLO26 هذه مدخلات لتدفق مدرب بشكل منفصل لتقدير الكثافة أو تسجيل الشذوذ. استخدم معالجة البيانات المسبقة بعناية وقيم الاحتمالية جنبا إلى جنب مع الأداء اللاحق بدلاً من معاملتها كمقياس جودة كامل.