論文の概要: CT-OT Flow: Estimating Continuous-Time Dynamics from Discrete Temporal Snapshots

• arxiv url: http://arxiv.org/abs/2505.17354v1
• Date: Fri, 23 May 2025 00:12:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-26 18:08:33.741049
• Title: CT-OT Flow: Estimating Continuous-Time Dynamics from Discrete Temporal Snapshots
• Title（参考訳）: CT-OTフロー:離散時間スナップショットからの連続時間ダイナミクスの推定
• Authors: Keisuke Kawano, Takuro Kutsuna, Naoki Hayashi, Yasushi Esaki, Hidenori Tanaka,
• Abstract要約: 本研究では, 時間的カーネル平滑化により, 部分最適輸送による高分解能な時間ラベルを推論し, 連続時間データ分布を再構築する連続時間最適輸送流(CT-OT Flow)を提案する。 CT-OT Flowは、合成ベンチマークにおける最先端の手法を一貫して上回り、実際のscRNA-seqおよび台風追跡データセットの再現誤差を低くする。
• 参考スコア（独自算出の注目度）: 8.656560659184303
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In many real-world scenarios, such as single-cell RNA sequencing, data are observed only as discrete-time snapshots spanning finite time intervals and subject to noisy timestamps, with no continuous trajectories available. Recovering the underlying continuous-time dynamics from these snapshots with coarse and noisy observation times is a critical and challenging task. We propose Continuous-Time Optimal Transport Flow (CT-OT Flow), which first infers high-resolution time labels via partial optimal transport and then reconstructs a continuous-time data distribution through a temporal kernel smoothing. This reconstruction enables accurate training of dynamics models such as ODEs and SDEs. CT-OT Flow consistently outperforms state-of-the-art methods on synthetic benchmarks and achieves lower reconstruction errors on real scRNA-seq and typhoon-track datasets. Our results highlight the benefits of explicitly modeling temporal discretization and timestamp uncertainty, offering an accurate and general framework for bridging discrete snapshots and continuous-time processes.
• Abstract（参考訳）: シングルセルRNAシークエンシングのような現実世界の多くのシナリオでは、データは有限時間間隔にまたがる離散時間スナップショットとしてのみ観察され、ノイズの多いタイムスタンプの対象となる。 これらのスナップショットから、粗大でノイズの多い観察時間によって、基盤となる継続的時間ダイナミクスを復元することは、決定的かつ困難な作業である。 本研究では,まず部分的最適輸送により高分解能な時間ラベルを推定し,時間的カーネル平滑化により連続時間データ分布を再構成する連続時間最適輸送流(CT-OT Flow)を提案する。 この再構成により、ODEやSDEといった動的モデルの正確なトレーニングが可能になる。 CT-OT Flowは、合成ベンチマークにおける最先端の手法を一貫して上回り、実際のscRNA-seqおよび台風追跡データセットの再現誤差を低くする。 我々の結果は、時間的離散化とタイムスタンプの不確実性を明示的にモデル化し、離散スナップショットと連続時間プロセスをブリッジするための正確で一般的なフレームワークを提供することの利点を強調した。

関連論文リスト

• Event Signal Filtering via Probability Flux Estimation [58.31652473933809]
  イベントは、非同期センシングを通じてシーンダイナミクスをキャプチャするための新しいパラダイムを提供するが、その固有のランダム性は、しばしば劣化した信号品質につながる。 したがって、イベント信号フィルタリングは、この内部ランダム性を低減し、多様な取得条件をまたいだ一貫した出力を確保することで、忠実性を高めるために不可欠である。 本稿ではイベント密度フローフィルタ(EDFilter)と呼ばれる生成オンラインフィルタリングフレームワークを紹介する。 実験では、イベントフィルタリング、スーパーレゾリューション、イベントベースの直接追跡といったタスクでEDFilterのパフォーマンスを検証する。
  論文  参考訳（メタデータ） (2025-04-10T07:03:08Z)
• Dynamical Diffusion: Learning Temporal Dynamics with Diffusion Models [71.63194926457119]
  動的拡散(DyDiff, Dynamical Diffusion)は, 時間的に意識された前と逆のプロセスを含む理論的に健全なフレームワークである。 科学的時間的予測、ビデオ予測、時系列予測に関する実験は、動的拡散が時間的予測タスクのパフォーマンスを一貫して改善することを示した。
  論文  参考訳（メタデータ） (2025-03-02T16:10:32Z)
• ODEStream: A Buffer-Free Online Learning Framework with ODE-based Adaptor for Streaming Time Series Forecasting [11.261457967759688]
  ODEStreamはバッファフリーの連続的な学習フレームワークで、データ内の時間的依存関係をキャプチャするための時間的分離レイヤを備えている。 連続したデータ表現を生成し、データストリーミングシナリオにおける動的変更へのシームレスな適応を可能にする。 我々のアプローチは、過去のデータの動的および分布が時間とともにどのように変化するかを学ぶことに集中し、ストリーミングシーケンスの直接処理を容易にする。
  論文  参考訳（メタデータ） (2024-11-11T22:36:33Z)
• Trajectory Flow Matching with Applications to Clinical Time Series Modeling [77.58277281319253]
  Trajectory Flow Matching (TFM) は、シミュレーションのない方法でニューラルSDEを訓練し、ダイナミックスを通してバックプロパゲーションをバイパスする。 絶対的性能と不確実性予測の観点から,3つの臨床時系列データセットの性能向上を実証した。
  論文  参考訳（メタデータ） (2024-10-28T15:54:50Z)
• A Poisson-Gamma Dynamic Factor Model with Time-Varying Transition Dynamics [51.147876395589925]
  非定常PGDSは、基礎となる遷移行列が時間とともに進化できるように提案されている。 後続シミュレーションを行うために, 完全共役かつ効率的なギブスサンプリング装置を開発した。 実験により,提案した非定常PGDSは,関連するモデルと比較して予測性能が向上することを示した。
  論文  参考訳（メタデータ） (2024-02-26T04:39:01Z)
• Add and Thin: Diffusion for Temporal Point Processes [24.4686728569167]
  ADD-THINは、時間点過程(TPP)ネットワークの確率的デノナイジング拡散モデルである。 イベントシーケンス全体で動作し、密度推定において最先端のTPPモデルと一致する。 合成および実世界のデータセットの実験において、我々のモデルは密度推定における最先端のTPPモデルと一致し、予測においてそれらを強く上回る。
  論文  参考訳（メタデータ） (2023-11-02T10:42:35Z)
• A Continuous Time Framework for Discrete Denoising Models [43.135447812798155]
  離散データの拡散モデルを決定するための,最初の完全な連続時間フレームワークを提供する。 これは、連続時間マルコフ連鎖(CTMC)としてフォワードノイズ発生過程と対応する逆時間生成過程を定式化することによって達成される。
  論文  参考訳（メタデータ） (2022-05-30T10:37:41Z)
• Continuous Latent Process Flows [47.267251969492484]
  任意の時間スタンプにおける連続時系列ダイナミクスの部分的な観察は多くの分野に存在する。このタイプのデータに連続力学を用いた統計モデルを適用することは、直感的なレベルで有望であるだけでなく、実用的な利点もある。 微分方程式によって駆動される時間依存正規化フローを用いて、連続潜時プロセスを連続可観測プロセスに復号する原則的アーキテクチャである連続潜時プロセスフロー(CLPF)を用いて、これらの課題に取り組む。 我々のアブレーション研究は、不規則な時間グリッド上での様々な推論タスクへの貢献の有効性を実証している。
  論文  参考訳（メタデータ） (2021-06-29T17:16:04Z)

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。