Normalizing Flows

I normalizing flow sono modelli di generative AI che apprendono una mappatura invertibile tra una semplice distribuzione di probabilità, solitamente rumore gaussiano, e una complessa distribuzione dei dati. A differenza di molti modelli generativi, possono creare campioni e calcolare con precisione la verosimiglianza dei dati in modo efficiente. Questo li rende utili per la stima della densità, la modellazione dell'incertezza e l'apprendimento di latent spaces strutturati, come spiegato nella fondamentale normalizing flows review. (arxiv.org)

Link to this sectionCome funzionano i Normalizing Flows#

Un flusso applica una sequenza di trasformazioni reversibili tramite reti neurali:

1. Campiona un punto da una semplice distribuzione di base.
2. Trasformalo attraverso diversi strati invertibili.
3. Traccia come ogni strato espande o contrae la densità di probabilità utilizzando il suo determinante Jacobiano.
4. Inverti le trasformazioni durante il calcolo della probabilità dei dati osservati.

Il Pyro normalizing flow tutorial fornisce esempi pratici di campionamento e valutazione della densità. Sebbene il nome suoni simile, i normalizing flow non sono la stessa cosa della normalization delle feature o della batch normalization. In questo contesto, “normalizing” significa trasformare una distribuzione complessa in una standard.

I design tradizionali richiedono strati invertibili strutturati con cura. La recente ricerca Free-form Flows research allenta questa restrizione, mentre una universality analysis of coupling-based flows del 2024 spiega perché gli strati di accoppiamento affine rimangano efficaci. (proceedings.mlr.press)

Link to this sectionApplicazioni nel mondo reale#

• Industrial Anomaly Detection: Un flusso può modellare gli embedding di prodotti privi di difetti e segnalare campioni improbabili durante l'ispezione visiva. Tuttavia, la sola verosimiglianza non è sempre un punteggio affidabile per l'out-of-distribution, come mostrato dalla NeurIPS research on flow likelihood failures. Valuta i risultati con metriche specifiche per il compito e dati anomali rappresentativi. (proceedings.neurips.cc)
• Imaging medico: Il transcranial ultrasound flow model del 2024 utilizza i normalizing flow per una ricostruzione più rapida e la stima dell'incertezza. Tecniche simili possono supportare la medical image analysis dove le previsioni necessitano di intervalli di confidenza. (proceedings.mlr.press)
• Dati sintetici e calibrazione: I flussi possono generare synthetic data strutturati o modellare errori di previsione. Il lavoro del 2024 sui normalizing flows for conformal regression dimostra intervalli di incertezza più adattivi. I dati visivi generati possono essere annotati, utilizzati per l'addestramento e distribuiti tramite la Ultralytics Platform. (proceedings.mlr.press)

Link to this sectionNormalizing Flows vs. Metodi Correlati#

Il Flow matching addestra solitamente un campo di velocità continuo con un obiettivo di regressione, come dettagliato nella Flow Matching guide di Meta. I normalizing flow tradizionali pongono invece l'accento su trasformazioni invertibili e sull'ottimizzazione diretta della verosimiglianza. Il Rectified flow cerca percorsi di trasporto più rettilinei, mentre i diffusion models generano dati attraverso il denoising iterativo. I normalizing flow differiscono anche dalle Generative Flow Networks, che apprendono policy per costruire oggetti discreti, e dalle GANs, che normalmente non forniscono verosimiglianze esatte. (ai.meta.com)

Link to this sectionSviluppi recenti e migliori pratiche#

Le architetture basate su Transformer hanno rinnovato l'interesse per i flussi. Lo studio TarFlow study del 2025 ha riportato una generazione di immagini competitiva rispetto agli approcci di diffusione, mentre Jet ha modernizzato i flussi di accoppiamento con i Vision Transformer. Nel 2026, la regression-based flow training ha collegato i normalizing flow con obiettivi in stile flow-matching, e SESaMo ha incorporato simmetrie fisiche esatte. (proceedings.mlr.press)

Per le applicazioni di visione, un approccio pratico consiste nel modellare gli embedding di alto livello piuttosto che i pixel grezzi:

from ultralytics import YOLO

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

Questi embedding Ultralytics YOLO26 possono diventare input per un flusso addestrato separatamente per la stima della densità o il punteggio delle anomalie. Usa un'attenta data preprocessing e valuta la verosimiglianza insieme alle prestazioni a valle, invece di trattarla come una misura completa della qualità.