Normalizing Flows
Explora los flujos normalizadores, cómo las redes neuronales invertibles permiten obtener verosimilitudes exactas y sus aplicaciones en IA generativa, detección de anomalías, imagenología médica y modelado de incertidumbre.
Los normalizing flows son modelos de generative AI que aprenden una correspondencia invertible entre una distribución de probabilidad simple, normalmente ruido gaussiano, y una distribución de datos compleja. A diferencia de muchos modelos generativos, pueden crear muestras y calcular verosimilitudes de datos exactas de forma eficiente. Esto los hace útiles para la estimación de densidad, el modelado de incertidumbre y el aprendizaje de espacios latentes estructurados, tal como se explica en la reseña fundamental de normalizing flows. (arxiv.org)
Cómo funcionan los flujos normalizantes#
Un flujo aplica una secuencia de transformaciones de redes neuronales reversibles:
- Muestrea un punto de una distribución base simple.
- Transfórmalo a través de varias capas invertibles.
- Rastrea cómo cada capa expande o contrae la densidad de probabilidad utilizando su determinante jacobiano.
- Invierte las transformaciones al calcular la probabilidad de los datos observados.
El tutorial de normalizing flows de Pyro proporciona ejemplos prácticos de muestreo y evaluación de densidad. Aunque el nombre suena similar, los normalizing flows no son lo mismo que la normalización de características o la normalización por lotes. Aquí, «normalizar» significa transformar una distribución compleja en una estándar.
Los diseños tradicionales requieren capas invertibles estructuradas con cuidado. La investigación reciente sobre Free-form Flows relaja esta restricción, mientras que un análisis de universalidad de los flujos basados en acoplamiento de 2024 explica por qué las capas de acoplamiento afín siguen siendo eficaces. (proceedings.mlr.press)
Aplicaciones en el mundo real#
- Industrial Anomaly Detection: Un flujo puede modelar incrustaciones a partir de productos sin defectos y señalar muestras poco probables durante la inspección visual. Sin embargo, la verosimilitud por sí sola no siempre es una puntuación de fuera de distribución fiable, tal como muestra la investigación de NeurIPS sobre fallos de verosimilitud en flujos. Valida los resultados con métricas específicas de la tarea y datos anormales representativos. (proceedings.neurips.cc)
- Medical Imaging: El modelo de flujo de ultrasonido transcraneal de 2024 utiliza normalizing flows para una reconstrucción más rápida y una estimación de la incertidumbre. Técnicas similares pueden respaldar el análisis de imágenes médicas en situaciones donde las predicciones necesitan intervalos de confianza. (proceedings.mlr.press)
- Synthetic Data and Calibration: Los flujos pueden generar datos sintéticos estructurados o modelar errores de predicción. El trabajo de 2024 sobre normalizing flows para la regresión conforme demuestra intervalos de incertidumbre más adaptativos. Los datos de visión generados se pueden anotar, entrenar e implementar a través de la Ultralytics Platform. (proceedings.mlr.press)
Flujos normalizantes frente a métodos relacionados#
El Flow matching suele entrenar un campo de velocidad continua con un objetivo de regresión, como se detalla en la guía de Flow Matching de Meta. En cambio, los normalizing flows tradicionales enfatizan las transformaciones invertibles y la optimización directa de la verosimilitud. El Rectified flow busca rutas de transporte más rectas, mientras que los modelos de difusión generan datos mediante desnitrificación iterativa. Los normalizing flows también difieren de las Generative Flow Networks, que aprenden políticas para construir objetos discretos, y de las GANs, que normalmente no proporcionan verosimilitudes exactas. (ai.meta.com)
Desarrollos recientes y mejores prácticas#
Las arquitecturas basadas en Transformer han renovado el interés en los flujos. El estudio TarFlow de 2025 informó de una generación de imágenes competitiva con los enfoques de difusión, mientras que Jet modernizó los flujos de acoplamiento con Vision Transformers. En 2026, el entrenamiento de flujos basado en regresión conectó los normalizing flows con objetivos del estilo de flow-matching, y SESaMo incorporó simetrías físicas exactas. (proceedings.mlr.press)
Para aplicaciones de visión, un enfoque práctico es modelar incrustaciones de alto nivel en lugar de píxeles sin procesar:
from ultralytics import YOLO
model = YOLO("yolo26n.pt")
embeddings = model.embed("https://ultralytics.com/images/bus.jpg")
print(embeddings[0].shape)Estas incrustaciones de Ultralytics YOLO26 pueden convertirse en entradas para un flujo entrenado por separado para la estimación de densidad o la puntuación de anomalías. Utiliza un preprocesamiento de datos cuidadoso y evalúa la verosimilitud junto con el rendimiento posterior en lugar de tratarla como una medida de calidad completa.
