Flow-based Model — Cara Generative Model Mempelajari Probability Distribution

Flow-based Model adalah Generative Model yang mempelajari Probability Distribution dari data agar dapat menghasilkan sampel baru. Meski sama-sama termasuk Generative Model, setiap pendekatan memiliki cara yang berbeda untuk mempelajari distribusi data. VAE menghasilkan data dengan mengaproksimasi distribusi Latent Variable, sedangkan GAN mengandalkan persaingan antara Generator dan Discriminator untuk menghasilkan sampel yang menyerupai data asli. Diffusion Model menggunakan pendekatan lain dengan menambahkan Noise ke data, lalu mempelajari proses kebalikannya untuk menghilangkan Noise tersebut. Flow-based Model bekerja dengan prinsip yang berbeda: Data Space dan Latent Space dihubungkan secara langsung melalui invertible transformation. Karena transformasinya dapat dibalik, model tidak hanya dapat menghasilkan data baru, tetapi juga menghitung Likelihood dari data yang telah dipelajari secara eksplisit.

09/02/2026

Invertible Transformation — Prinsip Transformasi yang Menjaga Informasi pada Normalizing Flow

Invertible Transformation adalah transformasi yang dirancang agar data tetap dapat dikembalikan ke bentuk asal setelah dipetakan ke ruang representasi yang berbeda. Pada Feature Transformation biasa, sebagian informasi dapat hilang karena transformasi hanya mempertahankan fitur yang dianggap penting. Invertible Transformation bekerja dengan cara berbeda: hubungan antara input dan output tetap dipertahankan sehingga hasil transformasi dapat ditelusuri kembali ke data awal. Sifat inilah yang membuatnya penting dalam Generative Model seperti Normalizing Flow, karena model dapat menghubungkan ruang data dengan Latent Space sekaligus menghitung likelihood melalui transformasi yang dapat dijalankan ke dua arah.

09/05/2026

Normalizing Flow — Model Generatif yang Mempelajari Probabilitas Data melalui Transformasi Inversibel

Normalizing Flow adalah model generatif yang mengubah distribusi probabilitas sederhana menjadi distribusi data yang lebih kompleks melalui serangkaian transformasi yang dapat dibalik, sekaligus menghitung perubahan probability density secara akurat. Berbeda dari model generatif yang hanya berfokus pada menghasilkan sampel yang terlihat realistis, Normalizing Flow juga mampu mengevaluasi seberapa sesuai suatu data dengan distribusi yang dipelajari menggunakan likelihood secara langsung.

07/18/2026