論文の概要: Spatiodynamic inference using vision-based generative modelling
- arxiv url: http://arxiv.org/abs/2507.22256v1
- Date: Tue, 29 Jul 2025 22:10:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-01 17:19:08.20765
- Title: Spatiodynamic inference using vision-based generative modelling
- Title(参考訳): 視覚に基づく生成モデルを用いた空間的推論
- Authors: Jun Won Park, Kangyu Zhao, Sanket Rane,
- Abstract要約: 我々は,視覚変換器駆動の変分表現を用いたシミュレーションに基づく推論フレームワークを開発した。
中心となる考え方は、パラメータ空間の体系的な探索を通じて、潜在力学の微細で構造化されたメッシュを構築することである。
生成的モデリングと機械的原理を統合することで、我々のアプローチは統合された推論フレームワークを提供する。
- 参考スコア(独自算出の注目度): 0.5461938536945723
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Biological systems commonly exhibit complex spatiotemporal patterns whose underlying generative mechanisms pose a significant analytical challenge. Traditional approaches to spatiodynamic inference rely on dimensionality reduction through summary statistics, which sacrifice complexity and interdependent structure intrinsic to these data in favor of parameter identifiability. This imposes a fundamental constraint on reliably extracting mechanistic insights from spatiotemporal data, highlighting the need for analytical frameworks that preserve the full richness of these dynamical systems. To address this, we developed a simulation-based inference framework that employs vision transformer-driven variational encoding to generate compact representations of the data, exploiting the inherent contextual dependencies. These representations are subsequently integrated into a likelihood-free Bayesian approach for parameter inference. The central idea is to construct a fine-grained, structured mesh of latent representations from simulated dynamics through systematic exploration of the parameter space. This encoded mesh of latent embeddings then serves as a reference map for retrieving parameter values that correspond to observed data. By integrating generative modeling with Bayesian principles, our approach provides a unified inference framework to identify both spatial and temporal patterns that manifest in multivariate dynamical systems.
- Abstract(参考訳): 生物学的システムは一般的に複雑な時空間パターンを示し、その基盤となる生成機構は重要な解析的課題を生じさせる。
従来のスペース力学推論のアプローチは、これらのデータに固有の複雑さと相互依存構造を犠牲にし、パラメータ識別可能性を支持するサマリ統計による次元の減少に依存していた。
このことは、時空間データから機械的洞察を確実に抽出することの基本的制約を課し、これらの動的システムの完全な豊かさを維持する分析的フレームワークの必要性を強調している。
そこで我々は,視覚トランスフォーマー駆動の変分符号化を用いたシミュレーションに基づく推論フレームワークを開発した。
これらの表現はその後、パラメータ推論のための可能性のないベイズ的アプローチに統合される。
中心となる考え方は、パラメータ空間の体系的な探索を通じてシミュレーション力学から潜在表現の微細で構造化されたメッシュを構築することである。
この符号化された遅延埋め込みメッシュは、観測データに対応するパラメータ値を取得するための参照マップとして機能する。
生成的モデリングをベイズ原理と統合することにより、多変量力学系に現れる空間的パターンと時間的パターンの両方を識別するための統一的推論フレームワークを提供する。
関連論文リスト
- Beyond Static Models: Hypernetworks for Adaptive and Generalizable Forecasting in Complex Parametric Dynamical Systems [0.0]
補間ネットワーク学習のためのパラメトリックハイパーネットワーク(PHLieNet)について紹介する。
PHLieNetはパラメータ空間から非線形埋め込みへのグローバルマッピングと、推論埋め込みから動的伝播ネットワークの重みへのマッピングを同時に学習する。
観測よりもモデルの空間を補間することにより、PHLieNetはパラメータ化されたシステム挙動間のスムーズな遷移を促進する。
論文 参考訳(メタデータ) (2025-06-24T13:22:49Z) - Mapping the Multiverse of Latent Representations [17.2089620240192]
PRESTOは、潜在表現に依存する機械学習モデルのマルチバースをマッピングするための、原則化されたフレームワークである。
我々のフレームワークは、多種多様な機械学習手法の組み合わせから生じる潜伏空間を特徴付けるために永続的ホモロジーを使用する。
論文 参考訳(メタデータ) (2024-02-02T15:54:53Z) - InVAErt networks: a data-driven framework for model synthesis and
identifiability analysis [0.0]
inVAErtは物理システムのデータ駆動分析と合成のためのフレームワークである。
これは、前方および逆写像を表す決定論的デコーダ、系の出力の確率分布を捉える正規化フロー、入力と出力の間の単射性の欠如についてコンパクトな潜在表現を学ぶ変分エンコーダを使用する。
論文 参考訳(メタデータ) (2023-07-24T07:58:18Z) - Learning minimal representations of stochastic processes with
variational autoencoders [52.99137594502433]
プロセスを記述するのに必要なパラメータの最小セットを決定するために、教師なしの機械学習アプローチを導入する。
我々の手法はプロセスを記述する未知のパラメータの自律的な発見を可能にする。
論文 参考訳(メタデータ) (2023-07-21T14:25:06Z) - DIFFormer: Scalable (Graph) Transformers Induced by Energy Constrained
Diffusion [66.21290235237808]
本稿では,データセットからのインスタンスのバッチを進化状態にエンコードするエネルギー制約拡散モデルを提案する。
任意のインスタンス対間の対拡散強度に対する閉形式最適推定を示唆する厳密な理論を提供する。
各種タスクにおいて優れた性能を有する汎用エンコーダバックボーンとして,本モデルの適用性を示す実験を行った。
論文 参考訳(メタデータ) (2023-01-23T15:18:54Z) - Supporting Optimal Phase Space Reconstructions Using Neural Network
Architecture for Time Series Modeling [68.8204255655161]
位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。
私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
論文 参考訳(メタデータ) (2020-06-19T21:04:47Z)
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。