تُولى الانتباه المتزايد للكشف عن الشذوذ غير المُراقب في الوقت الراهن في مجالات عملية متعددة بسبب قلة البيانات المتعلقة بالشذوذ. إحدى الطرق الرئيسية في هذا السياق هي التدفق الطبيعي (Normalizing Flow)، الذي يسعى إلى تحقيق تحويل عكسي لتوزيع معقد (مثل الصور) إلى توزيع بسيط (مثل التوزيع الطبيعي القياسي N(0, I)). في الواقع، تُظهر الخوارزميات القائمة على التدفق الطبيعي، مثل FastFlow وCFLOW-AD، أداءً متقدمًا على مستوى الحد الأقصى في مهام الكشف عن الشذوذ غير المُراقب. ومع ذلك، نلاحظ أن هذه الخوارزميات لا تحوّل الصور الطبيعية إلى التوزيع N(0, I) كهدف نهائي، بل إلى توزيع طبيعي عشوائي. علاوة على ذلك، يكون أداءها غالبًا غير مستقر، وهو أمر بالغ الأهمية في المهام غير المُراقبة نظرًا لعدم توفر بيانات التحقق. لتجاوز هذه الملاحظات، نقترح حلًا بسيطًا يُسمى AltUB، والذي يُطبّق تدريبًا متغيرًا (alternating training) لتحديث التوزيع الأساسي (base distribution) لتدفق طبيعي في مهام الكشف عن الشذوذ. يُحسّن AltUB بشكل فعّال استقرار الأداء الخاص بتدفق الطبيعي. علاوة على ذلك، يحقّق منهجنا أداءً جديدًا على مستوى الحد الأقصى في مهمة تجزئة الشذوذ على مجموعة بيانات MVTec AD، بتحقيق نسبة AUROC بلغت 98.8%.