يتحدث الجميع عن diffusion، لكن إذا كنت تريد فعلاً أن تفهم الشجرة العائلية التي أنتجت Sora والفيديو التوليدي الحديث، فعليك أن تقضي بعض الوقت مع normalizing flows — فئة النماذج التوليدية التي جعلت تقدير الكثافة من النوع ذي الاحتمالية الدقيقة ممكناً وقابلاً للتتبع في التعلم العميق. هذه المراجعة توازن ورقتين أساسيتين: Variational Inference with Normalizing Flows الأصلية من Rezende و Mohamed، والمسح الشامل الأحدث من Kobyzev و Prince و Brubaker حول تقنيات البناء في المجال والطرق الحالية.

يغطي الشرح كيف تحول normalizing flows توزيعاً أساسياً بسيطاً إلى توزيع معقد بشكل تعسفي من خلال سلسلة من الخرائط المقلوبة، لماذا يعطيك هذا البناء العينة الفعالة وتقييم الكثافة الدقيق معاً في ضربة واحدة، وكيف يتناسب التدفقات المحدودة مقابل اللانهائية في تصنيف عائلات الخلفية التقريبية. كما أنها تتتبع الخيط عبر الذكاء الاصطناعي التوليدي الحالي: لماذا تستمر الأفكار المبنية على التدفق في الظهور في توليف الكلام وتوليد الصور ونماذج الفيديو حتى مع هيمنة diffusion على العناوين الرئيسية، والمكان الذي لا تزال فيه أسئلة البحث المفتوحة جالسة. إذا كنت جادتاً بشأن النظرية الكامنة وراء الأنظمة التوليدية الحديثة، فهذا هو جزء الأساس الذي لا تريد تخطيه.