Una clase de modelos generativos que transforman una distribución simple en una compleja mediante mapeos invertibles.Los flujos normalizadores son una clase de modelos generativos que transforman una distribución de probabilidad simple, como una gaussiana, en una compleja mediante una secuencia de mapeos invertibles. Se utilizan en aprendizaje automático para modelar y muestrear distribuciones de datos de alta dimensión, como imágenes, audio o estructuras moleculares. La propiedad clave es que las transformaciones son invertibles y diferenciables, lo que permite un cálculo exacto de la verosimilitud.
El concepto fue introducido en 2015 por Danilo Rezende y Shakir Mohamed, quienes se basaron en trabajos previos sobre análisis de componentes independientes no lineal y estimación de densidad. Ganó popularidad con el desarrollo de arquitecturas eficientes como RealNVP (2016) y Glow (2018).
Un flujo normalizador comienza con una distribución base simple (por ejemplo, una gaussiana multivariante) y aplica una serie de funciones invertibles, cada una con un determinante jacobiano manejable. Mediante la fórmula de cambio de variables, la densidad de probabilidad de los datos transformados se puede calcular exactamente. El entrenamiento implica ajustar los parámetros de estas transformaciones para maximizar la verosimilitud de los datos observados. El muestreo se realiza extrayendo de la distribución base y pasándola a través del flujo.
Los flujos normalizadores se utilizan en estimación de densidad, detección de anomalías y modelado generativo, incluyendo la generación de imágenes realistas, síntesis de audio y diseño de nuevas moléculas en el descubrimiento de fármacos.
Los flujos normalizadores pueden usarse para calcular la verosimilitud exacta de un conjunto de datos, algo poco común entre los modelos generativos; la mayoría de los otros, como las GAN, solo proporcionan distribuciones implícitas.












