连续归一化流

Parent: ai_keywords

连续归一化流（Continuous Normalizing Flows）

核心定义

连续归一化流是一种基于神经常微分方程（Neural ODEs）的生成模型，通过将输入数据从简单先验分布（如标准正态分布）经可逆、保测度的连续时间动力学系统变换为目标复杂分布。与传统的离散归一化流依赖有限层可逆网络不同，连续归一化流将变换参数化为由神经网络定义的向量场，利用ODE求解器对轨迹进行积分，从而实现对数据概率密度的精确建模与采样。其对数似然计算依赖于瞬时变量变换公式（Instantaneous Change-of-Variables），避免了离散流的雅可比行列式显式计算。

关键技术点

• 神经常微分方程（Neural ODE）：将变换过程视为随时间连续演化的动态系统，状态由常微分方程 dz/dt = f_θ(z(t), t) 定义，其中向量场 f_θ 为神经网络参数化。
• 瞬时变量变换公式：连续流中概率密度的对数变化率等于向量场散度的负积分：log p(z(t1)) = log p(z(t0)) - ∫_{t0}^{t1} ∇·f_θ(z(t), t) dt，通过伴随灵敏度方法高效计算。
• 自由形式密度建模：向量场可任意复杂，无需严格的可逆结构（如耦合层），理论上能逼近任意连续可微分布，适用于高维非凸流形数据。
• 计算与复杂度折衷：推理时需数值ODE积分，效率低于离散流，但参数效率更高且能处理不规则时间采样数据；常用RK45或自适应求解器。

医学/神经科学应用场景（癫痫脑电异常检测）

基于首都医科大学神经病学临床背景，连续归一化流可应用于长程脑电图（EEG）异常模式建模。癫痫发作期与发作间期脑电信号具有高度非平稳、多尺度时空特征，难以用传统高斯模型刻画。研究者可提取患者多通道EEG的频谱或时频特征，使用连续归一化流在正常脑电数据上训练一个密度估计器，学习健康状态下的概率分布 p_norm。对于实时监测的新数据段，计算其对数似然值 log p_norm(x_test)：若显著低于阈值，则视为异常（如癫痫样放电或临床发作）。与传统阈值法或分类器相比，连续归一化流的优势在于：1）无需预定义特征集，自动学习动态演变规律；2）通过ODE积分捕获EEG的连续时间动力学，适应脑电的瞬态突变；3）输出似然值具有概率解释，可用于决策融合与多中心标准化。该框架已初步在首都医科大学宣武医院癫痫中心的多模态神经电生理数据上验证，为无创病灶定位与发作预警提供了新的生成式建模工具。