Normalizing Flows
Tersine çevrilebilir sinir ağlarının tam olasılıkları nasıl sağladığını ve bunların üretken yapay zeka, anomali tespiti, tıbbi görüntüleme ve belirsizlik modellemedeki uygulamalarını içeren normalize edici akışları keşfet.
Normalizing flows, basit bir olasılık dağılımı (genellikle Gauss gürültüsü) ile karmaşık bir veri dağılımı arasında tersinir bir eşlemeyi öğrenen generative AI modelleridir. Birçok üretken modelin aksine, hem örnekler oluşturabilir hem de tam veri olasılıklarını verimli bir şekilde hesaplayabilirler. Bu, temel normalizing flows review belgesinde açıklandığı gibi, onları yoğunluk tahmini, belirsizlik modelleme ve yapılandırılmış latent spaces öğrenme için faydalı kılar. (arxiv.org)
Normalizing Flow'lar Nasıl Çalışır?#
Bir flow, bir dizi tersine çevrilebilir sinir ağı dönüşümü uygular:
- Basit bir temel dağılımdan bir nokta örnekle.
- Bunu birkaç tersine çevrilebilir katmandan geçirerek dönüştür.
- Her bir katmanın Jacobian determinantını kullanarak olasılık yoğunluğunu nasıl genişlettiğini veya daralttığını takip et.
- Gözlemlenen verinin olasılığını hesaplarken dönüşümleri tersine çevir.
Pyro normalizing flow tutorial çalışması, örnekleme ve yoğunluk değerlendirmesi için pratik örnekler sunar. Adı benzer gelse de, normalizing flows özelliği öznitelik normalization veya toplu normalleştirme ile aynı değildir. Burada "normalleştirme", karmaşık bir dağılımı standart bir dağılıma dönüştürmek anlamına gelir.
Geleneksel tasarımlar, dikkatlice yapılandırılmış tersinir katmanlar gerektirir. Son dönemdeki Free-form Flows research araştırması bu kısıtlamayı esnetirken, 2024 tarihli universality analysis of coupling-based flows çalışması, afin eşleme katmanlarının neden etkili olmaya devam ettiğini açıklıyor. (proceedings.mlr.press)
Gerçek Dünya Uygulamaları#
- Industrial Anomaly Detection: Bir akış, kusursuz ürünlerden elde edilen gömmeleri modelleyebilir ve görsel denetim sırasında olası olmayan örnekleri işaretleyebilir. Bununla birlikte, NeurIPS research on flow likelihood failures araştırmasında gösterildiği gibi, yalnızca olasılık her zaman güvenilir bir dağılım dışı (out-of-distribution) puanı değildir. Sonuçları, görev odaklı metrikler ve temsili anormal verilerle doğrula. (proceedings.neurips.cc)
- Medical Imaging: 2024 tarihli transcranial ultrasound flow model modeli, daha hızlı yeniden oluşturma ve belirsizlik tahmini için normalizing flows kullanır. Benzer teknikler, tahminlerin güven aralıklarına ihtiyaç duyduğu medical image analysis alanını destekleyebilir. (proceedings.mlr.press)
- Synthetic Data and Calibration: Akışlar, yapılandırılmış synthetic data üretebilir veya tahmin hatalarını modelleyebilir. normalizing flows for conformal regression üzerine yapılan 2024 tarihli çalışma, daha uyarlanabilir belirsizlik aralıkları göstermektedir. Üretilen görü verileri Ultralytics Platform aracılığıyla etiketlenebilir, eğitilebilir ve dağıtılabilir. (proceedings.mlr.press)
Normalizing Flow'lar vs. İlgili Yöntemler#
Meta'nın Flow Matching guide kılavuzunda detaylandırıldığı gibi, Flow matching genellikle bir regresyon hedefiyle sürekli bir hız alanı eğitir. Geleneksel normalizing flows ise bunun yerine tersinir dönüşümlere ve doğrudan olasılık optimizasyonuna vurgu yapar. Rectified flow daha düz taşıma yolları ararken, diffusion models yinelemeli gürültü giderme yoluyla veri üretir. Normalizing flows ayrıca ayrık nesneler oluşturmak için politikalar öğrenen Generative Flow Networks ve normalde tam olasılıklar sağlamayan GANs modellerinden de farklıdır. (ai.meta.com)
Güncel Gelişmeler ve En İyi Uygulamalar#
Transformer tabanlı mimariler, akışlara olan ilgiyi yeniden canlandırdı. 2025 tarihli TarFlow study çalışması, difüzyon yaklaşımlarıyla rekabet edebilir görüntü üretimi bildirdi; Jet ise eşleme akışlarını Vision Transformers ile modernize etti. 2026'da regression-based flow training eğitimi, normalizing flows ile akış eşleme tarzı hedefleri birleştirdi ve SESaMo tam fiziksel simetrileri bünyesine kattı. (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 olarak eğitilmiş bir akışa girdi oluşturabilir. Dikkatli bir data preprocessing kullan ve olasılığı tam bir kalite ölçüsü olarak ele almak yerine, akış downstream (alt akış) performansıyla birlikte değerlendir.
