Normalizing Flows

تعد Normalizing flows نماذج ذكاء اصطناعي توليدي تتعلم تعيينًا قابلاً للعكس بين توزيع احتمالي بسيط، عادة ما يكون ضوضاء غاوسية، وتوزيع بيانات معقد. على عكس العديد من النماذج التوليدية، يمكنها إنشاء عينات وحساب احتمالات البيانات الدقيقة بكفاءة. هذا يجعلها مفيدة لتقدير الكثافة، ونمذجة عدم اليقين، وتعلم فضاءات كامنة مهيكلة، كما هو موضح في مراجعة Normalizing flows التأسيسية. (arxiv.org)

Link to this sectionكيف 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 برنامج تعليمي حول Pyro normalizing flow أمثلة عملية لأخذ العينات وتقييم الكثافة. على الرغم من تشابه الاسم، إلا أن normalizing flows ليست هي نفسها التطبيع للميزات أو تطبيع الدفعة. هنا، يعني "التطبيع" تحويل توزيع معقد إلى توزيع قياسي.

تتطلب التصميمات التقليدية طبقات قابلة للعكس مهيكلة بعناية. خففت أبحاث Free-form Flows الحديثة من هذا القيد، بينما يوضح تحليل عالمية التدفقات القائمة على الاقتران لعام 2024 سبب استمرار فعالية طبقات الاقتران التآلفية. (proceedings.mlr.press)

Link to this sectionتطبيقات 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 دائمًا درجة موثوقة خارج التوزيع، كما أظهرت أبحاث NeurIPS حول إخفاقات احتمالية التدفق. تحقق من النتائج باستخدام مقاييس خاصة بالمهمة وبيانات غير طبيعية تمثيلية. (proceedings.neurips.cc)
• التصوير الطبي: يستخدم نموذج تدفق الموجات فوق الصوتية عبر الجمجمة لعام 2024 تقنية Normalizing flows لإعادة بناء أسرع وتقدير عدم اليقين. يمكن لتقنيات مماثلة دعم تحليل الصور الطبية حيث تحتاج التنبؤات إلى نطاقات ثقة. (proceedings.mlr.press)
• البيانات الاصطناعية والمعايرة: يمكن للتدفقات إنشاء بيانات اصطناعية مهيكلة أو نمذجة أخطاء التنبؤ. يوضح عمل عام 2024 حول Normalizing flows للانحدار المطابق فترات عدم يقين أكثر تكيفًا. يمكن توضيح بيانات الرؤية المولدة وتدريبها ونشرها من خلال منصة Ultralytics. (proceedings.mlr.press)

Link to this sectionNormalizing Flows مقابل الطرق ذات الصلة#

تقوم Flow matching عادةً بتدريب مجال سرعة مستمر بهدف انحدار، كما هو مفصل في دليل Flow Matching الخاص بـ Meta. بدلاً من ذلك، تؤكد Normalizing flows التقليدية على التحويلات القابلة للعكس وتحسين الاحتمالية المباشرة. تسعى Rectified flow إلى مسارات نقل أكثر استقامة، بينما تولد نماذج الانتشار البيانات من خلال إزالة الضجيج التكراري. تختلف Normalizing flows أيضًا عن شبكات تدفق توليدية، التي تتعلم سياسات لبناء كائنات منفصلة، وعن GANs، التي لا توفر عادة احتمالات دقيقة. (ai.meta.com)

Link to this sectionالتطورات الحديثة وأفضل الممارسات#

جددت البنى القائمة على Transformer الاهتمام بالتدفقات. أفادت دراسة TarFlow لعام 2025 بوجود توليد للصور منافس لأساليب الانتشار، بينما قامت Jet بتحديث تدفقات الاقتران باستخدام Vision Transformers. في عام 2026، ربط تدريب التدفق القائم على الانحدار بين Normalizing flows وأهداف نمط flow-matching، ودمجت SESaMo تماثلات فيزيائية دقيقة. (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 أولية للبيانات دقيقة وقم بتقييم الاحتمالية جنبًا إلى جنب مع أداء المصب بدلاً من التعامل معها كمقياس جودة كامل.