論文の概要: CT-OT Flow: Estimating Continuous-Time Dynamics from Discrete Temporal Snapshots
- arxiv url: http://arxiv.org/abs/2505.17354v2
- Date: Tue, 28 Oct 2025 02:08:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-29 15:35:35.89239
- 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: Continuous-Time Optimal Transport Flow (CT-OT Flow)は、高解像度のタイムラベルを推論し、連続時間データ分散を再構築するフレームワークである。
CT-OT Flow は OT-CFM, [SF](2)M, TrajectoryNet, MFM, ENOT と比較して分布誤差と軌道誤差を低減する。
- 参考スコア（独自算出の注目度）: 14.39808568320318
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In many real-world settings--e.g., single-cell RNA sequencing, mobility sensing, and environmental monitoring--data are observed only as temporally aggregated snapshots collected over finite time windows, often with noisy or uncertain timestamps, and without access to continuous trajectories. We study the problem of estimating continuous-time dynamics from such snapshots. We present Continuous-Time Optimal Transport Flow (CT-OT Flow), a two-stage framework that (i) infers high-resolution time labels by aligning neighboring intervals via partial optimal transport (POT) and (ii) reconstructs a continuous-time data distribution through temporal kernel smoothing, from which we sample pairs of nearby times to train standard ODE/SDE models. Our formulation explicitly accounts for snapshot aggregation and time-label uncertainty and uses practical accelerations (screening and mini-batch POT), making it applicable to large datasets. Across synthetic benchmarks and two real datasets (scRNA-seq and typhoon tracks), CT-OT Flow reduces distributional and trajectory errors compared with OT-CFM, [SF]\(^{2}\)M, TrajectoryNet, MFM, and ENOT.
- Abstract（参考訳）: 例えば、シングルセルRNAシークエンシング、モビリティセンシング、環境モニタリングといった現実世界の多くの設定では、データは有限時間ウィンドウ上で収集された時間的に集約されたスナップショットとしてのみ観察され、しばしばノイズや不確実なタイムスタンプを持ち、連続的な軌跡にアクセスできない。
このようなスナップショットから連続時間ダイナミクスを推定する問題について検討する。
本稿では, 連続時間最適輸送流(CT-OT Flow)について述べる。
一 部分最適輸送(POT)を介して隣接区間を整列して高分解能な時間ラベルを推定すること。
(II) 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築し, 近隣時間のペアをサンプリングし, 標準ODE/SDEモデルを訓練する。
我々の定式化は、スナップショットアグリゲーションとタイムラベルの不確実性を明確に説明し、実用的なアクセラレーション(スクリーニングとミニバッチPOT)を使用して、大規模なデータセットに適用できます。
合成ベンチマークと2つの実データセット(scRNA-seq と typhoon トラック)を通じて CT-OT Flow は OT-CFM, [SF]\(^{2}\)M, TrajectoryNet, MFM, ENOT と比較して分布誤差と軌道誤差を低減する。
関連論文リスト
- Dynamic Modes as Time Representation for Spatiotemporal Forecasting [19.551966701918236]
提案手法は動的モード合成(DMD)を用いて観測データから直接時間モードを抽出する。
都市移動性,高速道路交通,気候に関する実験により,DMDをベースとした埋没は長期水平予測の精度を一貫して改善し,残差相関を低減し,時間的一般化を高めることが示されている。
論文 参考訳（メタデータ） (2025-06-01T23:16:39Z) - 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) - TLRN: Temporal Latent Residual Networks For Large Deformation Image Registration [4.272666443603612]
本稿では,時系列画像登録における変形フィールドの列を予測するため,TLRN(en Temporal Latent Residual Network)と呼ばれる新しい手法を提案する。
提案手法は, 時間的初期速度場によってパラメータ化される遅延変形空間において, 残留ブロックを慎重に設計した時間的残差ネットワークである。
論文 参考訳（メタデータ） (2024-07-15T20:07:45Z) - 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) - ChiroDiff: Modelling chirographic data with Diffusion Models [132.5223191478268]
チャーログラフィーデータのための強力なモデルクラスである「拡散確率モデル(Denoising Diffusion Probabilistic Models)」やDDPMを導入している。
我々のモデルは「ChiroDiff」と呼ばれ、非自己回帰的であり、全体論的概念を捉えることを学び、したがって高い時間的サンプリングレートに回復する。
論文 参考訳（メタデータ） (2023-04-07T15:17:48Z) - 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。