Normalizing Flows

Normalizing flows are generative AI models that learn an invertible mapping between a simple probability distribution, usually Gaussian noise, and a complex data distribution. Unlike many generative models, they can both create samples and calculate exact data likelihoods efficiently. This makes them useful for density estimation, uncertainty modeling, and learning structured latent spaces, as explained in the foundational normalizing flows review. (arxiv.org)

Link to this sectionNormalizing Flow'lar Nasıl Çalışır?#

Bir flow, bir dizi tersine çevrilebilir sinir ağı dönüşümü uygular:

1. Basit bir temel dağılımdan bir nokta örnekle.
2. Bunu birkaç tersine çevrilebilir katmandan geçirerek dönüştür.
3. Her bir katmanın Jacobian determinantını kullanarak olasılık yoğunluğunu nasıl genişlettiğini veya daralttığını takip et.
4. Gözlemlenen verinin olasılığını hesaplarken dönüşümleri tersine çevir.

Pyro normalizing flow eğitimi, örnekleme ve yoğunluk değerlendirmesi için pratik örnekler sağlar. İsimleri benzer gelse de, normalizing flow'lar özellik normalleştirmesi veya batch normalleştirme ile aynı şey değildir. Burada "normalleştirme", karmaşık bir dağılımı standart bir dağılıma dönüştürmek anlamına gelir.

Geleneksel tasarımlar, dikkatlice yapılandırılmış tersine çevrilebilir katmanlar gerektirir. Yakın tarihli Free-form Flows araştırması bu kısıtlamayı gevşetirken, 2024 tarihli bir coupling tabanlı flow'ların evrensellik analizi, afin coupling katmanlarının neden etkili olmaya devam ettiğini açıklıyor. (proceedings.mlr.press)

Link to this sectionGerçek Dünya Uygulamaları#

• Endüstriyel Anomali Tespiti: Bir flow, kusursuz ürünlerden gelen gömmeleri modelleyebilir ve görsel denetim sırasında beklenmedik örnekleri işaretleyebilir. Ancak, NeurIPS'in flow olasılık hataları üzerine yaptığı araştırma ile gösterildiği üzere, tek başına olasılık her zaman güvenilir bir dağılım dışı (out-of-distribution) puanı değildir. Sonuçları, göreve özgü metrikler ve temsili anormal verilerle doğrula. (proceedings.neurips.cc)
• Tıbbi Görüntüleme: 2024 tarihli transkraniyal ultrason flow modeli, daha hızlı rekonstrüksiyon ve belirsizlik tahmini için normalizing flow'ları kullanır. Benzer teknikler, tahminlerin güven aralıklarına ihtiyaç duyduğu tıbbi görüntü analizi süreçlerini destekleyebilir. (proceedings.mlr.press)
• Sentetik Veri ve Kalibrasyon: Flow'lar, yapılandırılmış sentetik veri üretebilir veya tahmin hatalarını modelleyebilir. Conformal regresyon için normalizing flow'lar üzerine yapılan 2024 tarihli çalışma, daha uyarlanabilir belirsizlik aralıklarını göstermektedir. Oluşturulan vizyon verileri, Ultralytics Platform aracılığıyla etiketlenebilir, eğitilebilir ve dağıtılabilir. (proceedings.mlr.press)

Link to this sectionNormalizing Flow'lar vs. İlgili Yöntemler#

Flow matching, Meta'nın Flow Matching rehberi ve kodu başlığında detaylandırıldığı gibi, genellikle bir regresyon hedefiyle sürekli bir hız alanı eğitir. Geleneksel normalizing flow'lar ise tersine çevrilebilir dönüşümlere ve doğrudan olasılık optimizasyonuna odaklanır. Rectified flow daha düz taşıma yolları ararken, diffusion modelleri yinelemeli gürültü giderme yoluyla veri üretir. Normalizing flow'lar ayrıca ayrık nesneler oluşturmak için politikalar öğrenen Generative Flow Networks yöntemlerinden ve normalde tam olasılıklar sağlamayan GAN modellerinden de ayrılır. (ai.meta.com)

Link to this sectionGüncel Gelişmeler ve En İyi Uygulamalar#

Transformer tabanlı mimariler, flow'lara olan ilgiyi yeniden canlandırdı. 2025 tarihli TarFlow çalışması, diffusion yaklaşımlarıyla rekabet edebilen görüntü üretimi raporlarken, Jet coupling flow'ları Vision Transformer'lar ile modernize etti. 2026'da regresyon tabanlı flow eğitimi, normalizing flow'ları flow-matching tarzı hedeflerle birleştirdi ve SESaMo tam fiziksel simetrileri dahil etti. (proceedings.mlr.press)

Vizyon uygulamaları için pratik bir yaklaşım, ham pikseller yerine yüksek seviyeli gömmeleri modellemektir:

from ultralytics import YOLO

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

Bu Ultralytics YOLO26 gömmeleri, yoğunluk tahmini veya anomali puanlaması için ayrı eğitilmiş bir flow'a girdi olarak verilebilir. Dikkatli bir veri ön işleme süreci kullan ve olasılığı tek başına tam bir kalite ölçütü olarak görmek yerine, akış metrikleri ile birlikte değerlendir.