流模型
Parent: ai_keywords
流模型（Normalizing Flows）
核心定义
流模型是一类基于可逆变换（invertible transformations）的生成模型，通过一系列可微双射将简单先验分布（如高斯分布）映射到复杂的数据分布。其核心思想是利用变量变换定理（change-of-variables formula）精确计算数据点的对数似然，从而在训练中直接最大化似然函数。流模型兼具生成能力与似然计算精确性，与变分自编码器（VAE）的近似推断和生成对抗网络（GAN）的隐式分布形成鲜明对比。
关键技术点
-
可逆变换与雅可比行列式
每个变换必须是双射且雅可比行列式易于计算（如三角结构、耦合层），以保证正反向传播高效。典型设计包括 RealNVP、Glow 中的仿射耦合层（affine coupling layer），其雅可比矩阵为三角矩阵，行列式快速可得。 -
组合结构与表达力
通过堆叠多个简单可逆层（如掩码自回归流、1×1 卷积、激活归一化等），构建深度流，逐步“扭曲”先验分布以拟合复杂多模态数据。深层结构允许捕获高维非线性依赖，但受限于可逆约束，参数量通常小于相同深度的 CNN。 -
精确似然估计
模型直接输出数据的精确对数似然：(\log p(x) = \log p(z) + \sum_{i=1}^{K} \log \left| \det \frac{\partial f_i^{-1}}{\partial h_{i-1}} \right|)，其中 (z = f_K \circ \cdots \circ f_1(x))。这一特性使得流模型在密度估计、异常检测、数据压缩任务中具有理论优势。 -
采样与隐空间操作
从先验采样 (z \sim p(z)) 后逆推 (x = f^{-1}(z)) 即可生成新样本。隐空间向量 (z) 具有良好几何性质（插值、算术运算对应语义变换），便于可控生成与潜变量分析。
医学/神经科学应用场景
基于脑结构 MRI 的阿尔茨海默病早期异常检测
联合首都医科大学神经病学研究中心，利用 Glow 流模型对健康老年人脑结构 MRI（T1 加权）进行无监督密度估计。训练后，对每例扫描可得到精确对数似然值，作为“正常脑结构”的偏离度量。针对轻度认知障碍（MCI）前驱期患者，其脑区（如海马、内嗅皮层）局部变形导致的似然下降可早于体积萎缩被检出。通过流模型隐空间插值，还能生成“从健康向疾病过渡”的连续形态演化图像，辅助临床医生理解病理进程并监测干预效果。该方法无需大量标注数据，适用于真实世界多中心影像库的批次效应校正与质量控制。
