論文の概要: Meta Flow Matching: Integrating Vector Fields on the Wasserstein Manifold

• arxiv url: http://arxiv.org/abs/2408.14608v1
• Date: Mon, 26 Aug 2024 20:05:31 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-28 15:44:05.393502
• Title: Meta Flow Matching: Integrating Vector Fields on the Wasserstein Manifold
• Title（参考訳）: メタフローマッチング:ワッサーシュタイン多様体上のベクトル場の統合
• Authors: Lazar Atanackovic, Xi Zhang, Brandon Amos, Mathieu Blanchette, Leo J. Lee, Yoshua Bengio, Alexander Tong, Kirill Neklyudov,
• Abstract要約: 自然科学における複数の過程は、確率密度のワッサーシュタイン多様体上のベクトル場として表さなければならない。 特に、疾患の発生とその治療反応が患者固有の細胞の微小環境に依存するパーソナライズド医療において重要である。 本稿では,これらのベクトル場をワッサーシュタイン多様体上で積分するメタフローマッチング(Meta Flow Matching, MFM)を提案する。
• 参考スコア（独自算出の注目度）: 83.18058549195855
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Numerous biological and physical processes can be modeled as systems of interacting entities evolving continuously over time, e.g. the dynamics of communicating cells or physical particles. Learning the dynamics of such systems is essential for predicting the temporal evolution of populations across novel samples and unseen environments. Flow-based models allow for learning these dynamics at the population level - they model the evolution of the entire distribution of samples. However, current flow-based models are limited to a single initial population and a set of predefined conditions which describe different dynamics. We argue that multiple processes in natural sciences have to be represented as vector fields on the Wasserstein manifold of probability densities. That is, the change of the population at any moment in time depends on the population itself due to the interactions between samples. In particular, this is crucial for personalized medicine where the development of diseases and their respective treatment response depends on the microenvironment of cells specific to each patient. We propose Meta Flow Matching (MFM), a practical approach to integrating along these vector fields on the Wasserstein manifold by amortizing the flow model over the initial populations. Namely, we embed the population of samples using a Graph Neural Network (GNN) and use these embeddings to train a Flow Matching model. This gives MFM the ability to generalize over the initial distributions unlike previously proposed methods. We demonstrate the ability of MFM to improve prediction of individual treatment responses on a large scale multi-patient single-cell drug screen dataset.
• Abstract（参考訳）: 多くの生物学的および物理的プロセスは、通信セルや物理粒子の力学のように、時間とともに連続的に進化する相互作用する実体のシステムとしてモデル化することができる。 このようなシステムのダイナミクスを学習することは、新しいサンプルや目に見えない環境における個体群の時間的進化を予測するのに不可欠である。 フローベースのモデルは、これらのダイナミクスを集団レベルで学習し、サンプル全体の分布の進化をモデル化します。 しかし、現在のフローベースモデルは、単一の初期集団と、異なるダイナミクスを記述する事前定義された条件のセットに限られている。 自然科学における複数の過程は、確率密度のワッサーシュタイン多様体上のベクトル場として表さなければならない。 つまり、どの時点の個体群の変化も、標本間の相互作用によって個体群自体に依存する。 特に、疾患の発生とその治療反応が患者固有の細胞の微小環境に依存するパーソナライズド医療において重要である。 本稿では,初期個体群上の流れモデルを改善することで,ワッサーシュタイン多様体上のこれらのベクトル場と統合する実践的手法であるメタフローマッチング(MFM)を提案する。 すなわち、グラフニューラルネットワーク(GNN)を用いてサンプルの集団を埋め込み、これらの埋め込みを用いてフローマッチングモデルを訓練する。 これにより、MFMは以前に提案された方法とは異なり、初期分布を一般化することができる。 MFMは, 大規模マルチ患者単細胞ドラッグスクリーンデータセットにおいて, 個々の治療反応の予測を改善する能力を示す。

関連論文リスト

• Modeling, Inference, and Prediction in Mobility-Based Compartmental Models for Epidemiology [5.079807662054658]
  疾患の伝達と制御の鍵となる要因として,個人の移動が紹介される。 各区画の移動度分布関数を用いて, 疾患の動態を特徴付ける。 感染集団の時系列から移動度分布を推定する。
  論文  参考訳（メタデータ） (2024-06-17T18:13:57Z)
• Synthetic location trajectory generation using categorical diffusion models [50.809683239937584]
  拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。 本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
  論文  参考訳（メタデータ） (2024-02-19T15:57:39Z)
• Correlational Lagrangian Schr\"odinger Bridge: Learning Dynamics with Population-Level Regularization [27.855576268065857]
  相関型Lagrangian Schr"odinger Bridge (CLSB) と呼ばれる新しいフレームワークを紹介する。 CLSBは、最小人口の「コスト」のために正規化しながら、クロステキスト観察における進化の「ブリッジング」を求める 本研究の貢献は,(1)多変量関係における時間的変動を捉えた新しい集団正規化器群,(3)遺伝的共発現安定性に基づく3つのドメインインフォームドインスタンス化である。
  論文  参考訳（メタデータ） (2024-02-04T19:33:44Z)
• Individualized Dosing Dynamics via Neural Eigen Decomposition [51.62933814971523]
  ニューラル固有微分方程式アルゴリズム(NESDE)を導入する。 NESDEは個別化モデリング、新しい治療ポリシーへの調整可能な一般化、高速で連続的でクローズドな予測を提供する。 本研究は, 総合的・現実的な医療問題におけるNESDEの堅牢性を実証し, 学習力学を用いて, 模擬医療体育環境の公開を行う。
  論文  参考訳（メタデータ） (2023-06-24T17:01:51Z)
• Deep diffusion-based forecasting of COVID-19 by incorporating network-level mobility information [22.60685417365995]
  我々は、自己回帰混合密度拡散動的ネットワーク(ARM3Dnet)と呼ばれる確率予測のためのディープラーニングに基づく時系列モデルを開発した。 アメリカ合衆国におけるCovid-19の死亡数やケースの予測において,我々のモデルは従来の統計モデルとディープラーニングモデルの両方を上回っていることを示す。
  論文  参考訳（メタデータ） (2021-11-09T15:18:03Z)
• Individual Survival Curves with Conditional Normalizing Flows [0.0]
  本稿では,高度にフレキシブルで個別化された条件付き生存分布をモデル化する手段として,時間-空間密度の条件正規化フローに基づく推定法を紹介する。 人工的データセットと4つのオープン医療データセットに対する提案手法を実験的に検証し、共通の財政問題の例を示した。
  論文  参考訳（メタデータ） (2021-07-27T13:45:12Z)
• Integrating Expert ODEs into Neural ODEs: Pharmacology and Disease Progression [71.7560927415706]
  潜在ハイブリッドモデル(LHM)は、専門家が設計したODEのシステムと機械学習したNeural ODEを統合し、システムのダイナミクスを完全に記述する。 新型コロナウイルス患者のLHMと実世界の集中治療データについて検討した。
  論文  参考訳（メタデータ） (2021-06-05T11:42:45Z)
• Adversarial Sample Enhanced Domain Adaptation: A Case Study on Predictive Modeling with Electronic Health Records [57.75125067744978]
  ドメイン適応を容易にするデータ拡張手法を提案する。 逆生成したサンプルはドメイン適応時に使用される。 その結果,本手法の有効性とタスクの一般性が確認された。
  論文  参考訳（メタデータ） (2021-01-13T03:20:20Z)
• Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
  被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。 グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。 まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
  論文  参考訳（メタデータ） (2020-06-11T17:29:53Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。