論文の概要: Multi-Marginal Stochastic Flow Matching for High-Dimensional Snapshot Data at Irregular Time Points

• arxiv url: http://arxiv.org/abs/2508.04351v1
• Date: Wed, 06 Aug 2025 11:43:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-07 20:09:22.699887
• Title: Multi-Marginal Stochastic Flow Matching for High-Dimensional Snapshot Data at Irregular Time Points
• Title（参考訳）: 不規則点における高次元スナップショットデータのマルチマルジナル確率流マッチング
• Authors: Justin Lee, Behnaz Moradijamei, Heman Shakeri,
• Abstract要約: シミュレーションフリースコアとフローマッチングの新たな拡張であるMultivalued-Marginal Flow Matching (MMMM)を提案する。 MMMMは、次元性を低下させることなく、非等時点で測定された高次元データのアライメントを可能にする。 我々は、不均一な時間で収集された遺伝子発現データを含む、いくつかの合成およびベンチマークデータセット上で、我々のフレームワークを検証する。
• 参考スコア（独自算出の注目度）: 2.3642391095636484
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modeling the evolution of high-dimensional systems from limited snapshot observations at irregular time points poses a significant challenge in quantitative biology and related fields. Traditional approaches often rely on dimensionality reduction techniques, which can oversimplify the dynamics and fail to capture critical transient behaviors in non-equilibrium systems. We present Multi-Marginal Stochastic Flow Matching (MMSFM), a novel extension of simulation-free score and flow matching methods to the multi-marginal setting, enabling the alignment of high-dimensional data measured at non-equidistant time points without reducing dimensionality. The use of measure-valued splines enhances robustness to irregular snapshot timing, and score matching prevents overfitting in high-dimensional spaces. We validate our framework on several synthetic and benchmark datasets, including gene expression data collected at uneven time points and an image progression task, demonstrating the method's versatility.
• Abstract（参考訳）: 不規則な時間における限られたスナップショット観測から高次元システムの進化をモデル化することは、定量的生物学および関連する分野において重要な課題である。 従来のアプローチは次元還元技術に依存しており、力学を単純化し、非平衡系における臨界過渡的な振る舞いを捉えることができない。 シミュレーションフリースコアの新たな拡張であるMMSFM(Multi-Marginal Stochastic Flow Matching)を提案する。 測定値のスプラインの使用は、不規則なスナップショットタイミングに対するロバスト性を高め、スコアマッチングは高次元空間における過度な適合を防止する。 我々は、不均一な時間で収集された遺伝子発現データや画像進行タスクを含む、いくつかの合成およびベンチマークデータセット上で、我々のフレームワークを検証し、その方法の汎用性を実証した。

関連論文リスト

• LEFT: Learnable Fusion of Tri-view Tokens for Unsupervised Time Series Anomaly Detection [53.191369031661885]
  教師なし時系列異常検出は、アノテーションの可用性を前提とせず、異常なタイムスタンプを識別するモデルを構築することを目的としている。 本稿では,非教師付きTSADフレームワークであるLearnable Fusion of Tri-view Tokens(LEFT)について述べる。 実世界のベンチマーク実験では、LEFTはSOTAベースラインに対して最高の検出精度を示し、FLOPの5倍、トレーニングの8倍のスピードアップを実現している。
  論文  参考訳（メタデータ） (2026-02-09T13:33:49Z)
• Disordered Dynamics in High Dimensions: Connections to Random Matrices and Machine Learning [52.26396748560348]
  ランダム行列によって駆動される高次元力学系について概説する。 機械学習理論における学習と一般化の単純なモデルへの応用に焦点を当てる。
  論文  参考訳（メタデータ） (2026-01-03T00:12:32Z)
• Longitudinal Flow Matching for Trajectory Modeling [7.063657100587108]
  本稿では,複数の観測時間点に一致した連続的ダイナミクスを学習するフレームワークIMMFMを提案する。 IMMFMは内在性を捉え、不規則なスパースサンプリングを処理し、被検体固有の軌道を得る。 合成ベンチマークと実世界の時系列データセットの実験により、IMMFMは予測精度と下流タスクの両方において既存の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2025-10-03T23:33:50Z)
• Breaking the Discretization Barrier of Continuous Physics Simulation Learning [16.740327071700268]
  本研究では、部分的な観測から連続物理シミュレーションをモデル化する純粋にデータ駆動方式を提案する。 具体的には,空間情報と対応する観測情報を融合して符号化するために,乗法フィルタネットワークを用いる。 我々は、幾何学的グリッドをカスタマイズし、メッセージパッシング機構を使用して、元の空間領域からカスタマイズされたグリッドに特徴をマッピングする。
  論文  参考訳（メタデータ） (2025-09-22T16:10:58Z)
• Spatial-Temporal Multi-Scale Quantization for Flexible Motion Generation [33.74231168851631]
  動き列を空間次元と時間次元にまたがる多スケールの離散トークンに圧縮する新しい量子化手法MSQを紹介する。 MSQは、異なるエンコーダを使用して、異なる空間的粒度で体の部分を取り込んで、エンコーダされた特徴を複数のスケールに時間的に補間し、それらを離散トークンに定量化する。
  論文  参考訳（メタデータ） (2025-08-12T14:58:46Z)
• Trans-dimensional Hamiltonian model selection and parameter estimation from sparse, noisy data [0.0]
  限られた量と品質の実験データからパラメータとモデル次元を推定する必要がある場合が多い。 この誤った状況は、従来の機械学習と決定論的手法を信頼できない、あるいは難解なものにする可能性がある。 本稿では,マルコフ連鎖モンテカルロサンプリング手法をハイブリダイズして,疎度で雑音の多いデータからパラメータとモデル次元の両方を推定するベイズフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-23T16:07:20Z)
• Solving Inverse Problems with FLAIR [59.02385492199431]
  フローベースの潜在生成モデルは、驚くべき品質の画像を生成でき、テキスト・ツー・イメージ生成も可能である。 本稿では,フローベース生成モデルを逆問題の前兆として活用する新しい学習自由変分フレームワークFLAIRを提案する。 標準画像ベンチマークの結果、FLAIRは再現性やサンプルの多様性の観点から、既存の拡散法や流れ法よりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2025-06-03T09:29:47Z)
• Invariant Measures in Time-Delay Coordinates for Unique Dynamical System Identification [3.3233148381311155]
  時間-遅延座標における1つの不変測度は、位相的共役性までのシステム識別に利用できることを示す。 本研究は, システム同定の有効性を向上し, 力学系モデリングにおける測度理論的アプローチの範囲を広げた。
  論文  参考訳（メタデータ） (2024-11-30T21:18:35Z)
• Detecting Anomalies in Dynamic Graphs via Memory enhanced Normality [39.476378833827184]
  動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。 時空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。 STRIPEは、AUCスコアが5.8%改善し、トレーニング時間が4.62倍速く、既存の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2024-03-14T02:26:10Z)
• 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)
• Attractor Memory for Long-Term Time Series Forecasting: A Chaos Perspective [63.60312929416228]
  textbftextitAttraosはカオス理論を長期時系列予測に取り入れている。 本研究では,AttraosがPatchTSTと比較して,パラメータの12分の1しか持たない主流データセットやカオスデータセットにおいて,LTSF法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-02-18T05:35:01Z)
• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• Efficient Exploration in Continuous-time Model-based Reinforcement Learning [37.14026153342745]
  強化学習アルゴリズムは典型的には離散時間力学を考察するが、基礎となるシステムは時間的に連続していることが多い。 連続時間力学を表すモデルに基づく強化学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-30T15:04:40Z)
• Graph-Aware Contrasting for Multivariate Time-Series Classification [50.84488941336865]
  既存のコントラスト学習手法は主に、時間的拡張とコントラスト技術による時間的一貫性を達成することに焦点を当てている。 MTSデータ間の空間的整合性を考慮したグラフ認識コントラストを提案する。 提案手法は,様々なMSS分類タスクにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-09-11T02:35:22Z)
• Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
  マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。 我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。 本モデルは,多くの多変量データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-05-16T07:53:42Z)
• An Attention-based ConvLSTM Autoencoder with Dynamic Thresholding for Unsupervised Anomaly Detection in Multivariate Time Series [2.9685635948299995]
  本稿では,異常検出と診断を行うための動的閾値保持(ACLAE-DT)フレームワークを用いた非教師付き注意型畳み込み長短期記憶(ConvLSTM)オートエンコーダを提案する。 フレームワークは、システムステータスを特徴付ける機能イメージを構築する前に、データの事前処理と強化から始まります。 構築した特徴画像は注意に基づくConvLSTMオートエンコーダに入力される。 その後、再構成エラーを計算し、統計に基づく動的しきい値決定機構により異常を検出し診断する。
  論文  参考訳（メタデータ） (2022-01-23T04:01:43Z)
• Dynamic Mode Decomposition in Adaptive Mesh Refinement and Coarsening Simulations [58.720142291102135]
  動的モード分解(DMD)はコヒーレントなスキームを抽出する強力なデータ駆動方式である。 本稿では,異なるメッシュトポロジと次元の観測からDMDを抽出する戦略を提案する。
  論文  参考訳（メタデータ） (2021-04-28T22:14:25Z)
• Deep Markov Spatio-Temporal Factorization [16.125473644303852]
  Deep Markov-temporal factorization (DMSTF) はデータの動的解析のための生成モデルである。 DMSTFは、空間因子またはそれらの機能形式を生成的にパラメータ化するために、低次元空間潜時を学習する。 時系列クラスタリングや制御信号における因子分析を行うために拡張可能な生成因子分析モデルの柔軟なファミリーでの結果が得られた。
  論文  参考訳（メタデータ） (2020-03-22T01:27:44Z)

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。