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 flujos normalizantes son modelos de IA generativa que aprenden una asignación 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 sobre flujos normalizantes. (arxiv.org)
Link to this sectionCómo 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 sobre flujos normalizantes de Pyro proporciona ejemplos prácticos de muestreo y evaluación de densidad. Aunque el nombre suena similar, los flujos normalizantes 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 cuidadosamente estructuradas. La investigación reciente sobre flujos de forma libre 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 efectivas. (proceedings.mlr.press)
Link to this sectionAplicaciones en el mundo real#
- Detección de anomalías industriales: Un flujo puede modelar incrustaciones (embeddings) de productos sin defectos y marcar muestras inusuales durante la inspección visual. Sin embargo, la verosimilitud por sí sola no siempre es una puntuación fiable para detectar datos fuera de la distribución, como lo demuestra la investigación de NeurIPS sobre los fallos de verosimilitud en flujos. Valida los resultados con métricas específicas de la tarea y datos anormales representativos. (proceedings.neurips.cc)
- Imagenología médica: El modelo de flujo de ultrasonido transcraneal de 2024 utiliza flujos normalizantes para una reconstrucción más rápida y una estimación de la incertidumbre. Técnicas similares pueden servir de apoyo al análisis de imágenes médicas, donde las predicciones requieren rangos de confianza. (proceedings.mlr.press)
- Datos sintéticos y calibración: Los flujos pueden generar datos sintéticos estructurados o modelar errores de predicción. El trabajo de 2024 sobre flujos normalizantes para regresión conforme demuestra intervalos de incertidumbre más adaptativos. Los datos de visión generados pueden ser anotados, entrenados y desplegados a través de Ultralytics Platform. (proceedings.mlr.press)
Link to this sectionFlujos normalizantes frente a métodos relacionados#
El flow matching suele entrenar un campo de velocidad continuo con un objetivo de regresión, tal como se detalla en la guía de Flow Matching de Meta. Los flujos normalizantes tradicionales, en cambio, enfatizan las transformaciones invertibles y la optimización directa de la verosimilitud. El flujo rectificado busca rutas de transporte más rectas, mientras que los modelos de difusión generan datos mediante eliminación de ruido iterativa. Los flujos normalizantes también difieren de las redes de flujo generativo, que aprenden políticas para construir objetos discretos, y de las GANs, que normalmente no proporcionan verosimilitudes exactas. (ai.meta.com)
Link to this sectionDesarrollos recientes y mejores prácticas#
Las arquitecturas basadas en Transformer han renovado el interés por los flujos. El estudio TarFlow de 2025 informó sobre 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 flujos normalizantes con objetivos al estilo del 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.
