Il prossimoProssima guida
Vocoder basato sul flusso WaveGlow
IA audio
GUIDA TECNICA
Normalizing flows map a simple base distribution to a more complex distribution through invertible, differentiable transformations.
Ascolta questa guidaNarrato dall'IA · ~2 min
Tractable Jacobian determinants allow these models to generate samples and evaluate probability densities.
A normalizing flow learns a bijective (one-to-one, invertible) mapping between a simple base distribution and a complicated target distribution such as images or audio. You stack many invertible layers; running them forward warps Gaussian noise into a realistic sample, and running them backward maps real data back to noise. The defining trick is the change-of-variables formula, which lets you evaluate tractable model densities by tracking how each transformation stretches or shrinks volume via its Jacobian determinant. Unlike VAEs (which approximate likelihood) or GANs (which give none), flows can offer tractable model densities when the architecture permits the required inverse and Jacobian evaluation. The engineering challenge is designing layers that are expressive yet keep the Jacobian determinant cheap to compute, as in RealNVP, Glow, and autoregressive flows.
A density-estimation team evaluates flow likelihoods as one signal for anomaly detection, then tests whether that signal separates relevant anomalies.
Flow-based audio models such as WaveGlow generate waveforms from a noise distribution.
Inverse Autoregressive Flows make variational posterior approximations more flexible.
Boltzmann generators use invertible transformations to sample molecular configurations.
I flussi di pura normalizzazione sono stati in qualche modo eclissati dai modelli di diffusione per la qualità dell'immagine grezza, ma le idee sul flusso stanno rinascendo. Le formulazioni a tempo continuo (flussi di normalizzazione continui, ODE neurali) e in particolare l'adattamento del flusso, il metodo di addestramento alla base di sistemi come Stable Diffusion 3 e molti generatori moderni, riformulano la generazione come apprendimento di un campo di velocità che trasporta il rumore nei dati. Aspettatevi che i flussi rimangano centrali ovunque siano importanti probabilità esatte, invertibilità o campionamento deterministico rapido, e continuino a fondersi concettualmente con la diffusione.
Newsletter gratuita
Tre storie verificate sull'IA ogni mattina nei giorni feriali, scritte in un inglese semplice. Gratuito per sempre, senza pubblicità.
Un'email ogni giorno feriale. Disiscriviti con un clic. Non vendiamo né condividiamo mai il tuo indirizzo.
Mettiti alla prova
Feedback immediato su ogni risposta e un certificato condivisibile con un ID verificabile una volta superato un corso.
Sostieni l'istruzione gratuita sull'IA. AI Understanding è un'organizzazione non profit 501(c)(3) — nessun annuncio, nessun paywall, mai. Fai una donazione
Normalizing flows map a simple base distribution to a more complex distribution through invertible, differentiable transformations. Tractable Jacobian determinants allow these models to generate samples and evaluate probability densities.
I flussi si basano su trasformazioni invertibili e differenziabili in modo che i dati possano essere mappati nel rumore e viceversa, e quindi si applica la formula del cambio di variabili.
log p(x) = log p(z) + log|det(Jacobiano)| spiega come la trasformazione allunga o comprime il volume di probabilità, fornendo la densità esatta.
Gli strati di accoppiamento trasformano solo parte delle dimensioni in base al resto, producendo uno Jacobiano triangolare il cui determinante è proprio il prodotto della diagonale, molto più economico di O(n^3).
An invertible flow with tractable Jacobian calculation can evaluate its model density. This is distinct from proving that likelihood is an adequate anomaly score.
Likelihood can be a useful signal, but generative models can assign unexpectedly high likelihoods to out-of-distribution inputs.
Continua a imparare
Altre guide selezionate per questo argomento
Il prossimoProssima guida
Vocoder basato sul flusso WaveGlow
IA audio