في هذا العمل، نقترح خوارزمية التدفق الكامن الجينراتيفي (GLF) لنموذج توليد توزيع البيانات. يستخدم GLF كودر ذاتي (Auto-encoder) لتعلم تمثيلات الكامنة للبيانات، ويستخدم تدفقًا طبيعيًا لخريطة توزيع المتغيرات الكامنة إلى توزيع الضوضاء المستقلة والمتطابقة ببساطة. على عكس بعض نماذج التوليد الأخرى التي تعتمد على كودر ذاتي وتستخدم مُعَدِّلات مختلفة تشجع توزيع البيانات المشفَّرة على التطابق مع التوزيع السابق، فإن نموذجنا يبني صراحةً خريطة بين هذين التوزيعين، مما يؤدي إلى مطابقة أفضل للكثافة مع تجنب الإفراط في تنظيم المتغيرات الكامنة. نقارن نموذجنا مع عدة تقنيات ذات صلة ونظهر أنه يتمتع بالعديد من المزايا النسبية، بما في ذلك التقارب السريع، التدريب في مرحلة واحدة والتنازل الأدنى عن إعادة بناء البيانات. كما ندرس العلاقة بين نموذجنا ونظيره العشوائي ونوضح أن نموذجنا يمكن اعتباره حد ضوضاء مُختفي للـ VAEs ذات التدفق السابق. بشكل كمي، تحت تقييمات قياسية، حققت طريقة GLF جودة عينات رائدة في فئتها بين النماذج القائمة على كودر ذاتي على مجموعات بيانات شائعة الاستخدام، وهي تنافسية مع مقاييس GANs.请注意，"GLF" 被翻译为 "التدفق الكامن الجينراتيفي"，"Auto-encoder" 为 "كودر ذاتي"，"VAEs" 为 "VAEs"（由于其专业性，保留了英文缩写）。其他术语也根据阿拉伯语的科技写作习惯进行了翻译。希望这能符合您的要求。