論文の概要: Multi-Marginal Flow Matching with Adversarially Learnt Interpolants

• arxiv url: http://arxiv.org/abs/2510.01159v1
• Date: Wed, 01 Oct 2025 17:47:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 16:59:20.699724
• Title: Multi-Marginal Flow Matching with Adversarially Learnt Interpolants
• Title（参考訳）: 逆学習型補間器を用いたマルチマルジナルフローマッチング
• Authors: Oskar Kviman, Kirill Tamogashev, Nicola Branchini, Víctor Elvira, Jens Lagergren, Nikolay Malkin,
• Abstract要約: 本稿では,既存のマルチマージ軌道推定アルゴリズムの限界を克服する新しいフローマッチング手法を提案する。 提案手法であるALI-CFMは、GANにインスパイアされた対向損失を用いて、音源点と目標点の間のニューラルパラメトリッド補間曲線に適合する。 本稿では,空間転写学およびセルトラッキングデータセット上で,既存のベースラインよりも優れた性能を示すことで,本手法の汎用性と拡張性を示す。
• 参考スコア（独自算出の注目度）: 27.294164408278448
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learning the dynamics of a process given sampled observations at several time points is an important but difficult task in many scientific applications. When no ground-truth trajectories are available, but one has only snapshots of data taken at discrete time steps, the problem of modelling the dynamics, and thus inferring the underlying trajectories, can be solved by multi-marginal generalisations of flow matching algorithms. This paper proposes a novel flow matching method that overcomes the limitations of existing multi-marginal trajectory inference algorithms. Our proposed method, ALI-CFM, uses a GAN-inspired adversarial loss to fit neurally parametrised interpolant curves between source and target points such that the marginal distributions at intermediate time points are close to the observed distributions. The resulting interpolants are smooth trajectories that, as we show, are unique under mild assumptions. These interpolants are subsequently marginalised by a flow matching algorithm, yielding a trained vector field for the underlying dynamics. We showcase the versatility and scalability of our method by outperforming the existing baselines on spatial transcriptomics and cell tracking datasets, while performing on par with them on single-cell trajectory prediction. Code: https://github.com/mmacosha/adversarially-learned-interpolants.
• Abstract（参考訳）: 複数の点でサンプル観察されたプロセスのダイナミクスを学習することは、多くの科学的応用において重要であるが難しい課題である。 基本トラジェクトリが存在しないが、離散時間ステップで取得したデータのスナップショットしか持たない場合、ダイナミックスをモデル化し、基礎となるトラジェクトリを推論する問題は、フローマッチングアルゴリズムのマルチマージ的な一般化によって解決できる。 本稿では,既存のマルチマージ軌道推定アルゴリズムの限界を克服する新しいフローマッチング手法を提案する。 提案手法であるALI-CFMは、GANにインスパイアされた対角線損失を用いて、観測された分布に近くなるように、ソースとターゲットポイント間のニューラルパラメトリッド補間曲線を適合させる。 結果として生じる補間物は滑らかな軌道であり、私たちが示すように、軽微な仮定の下ではユニークである。 これらの補間子はその後、フローマッチングアルゴリズムによって辺縁化され、基礎となる力学に対する訓練されたベクトル場が得られる。 本手法の汎用性と拡張性は,空間転写学および細胞追跡データセットにおける既存のベースラインよりも優れており,シングルセル軌道予測では同等である。 コード:https://github.com/mmacosha/adversarially-learned-interpolants。

関連論文リスト

• GeoMM: On Geodesic Perspective for Multi-modal Learning [55.41612200877861]
  本稿では,マルチモーダル学習における測地線距離を新しい距離測定基準として導入する。 我々のアプローチは、現在のマルチモーダル学習に測地距離を適用するための包括的な戦略を取り入れている。
  論文  参考訳（メタデータ） (2025-05-16T13:12:41Z)
• Multi-Agent Path Finding in Continuous Spaces with Projected Diffusion Models [57.45019514036948]
  MAPF(Multi-Agent Path Finding)は、ロボット工学における基本的な問題である。 連続空間におけるMAPFの拡散モデルと制約付き最適化を統合する新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-12-23T21:27:19Z)
• Trajectory Anomaly Detection with Language Models [21.401931052512595]
  本稿では,自己回帰因果アテンションモデル(LM-TAD)を用いた軌道異常検出のための新しい手法を提案する。 トラジェクトリをトークンの列として扱うことにより、トラジェクトリ上の確率分布を学習し、高精度な異常位置の同定を可能にする。 本実験は, 合成および実世界の両方のデータセットに対するLM-TADの有効性を実証した。
  論文  参考訳（メタデータ） (2024-09-18T17:33:31Z)
• Efficient Trajectory Inference in Wasserstein Space Using Consecutive Averaging [3.8623569699070353]
  軌道推論はそのような観測から連続的な過程を再構成する。 ワッサーシュタイン空間に固有の連続平均化によるB-スプライン近似と点雲の近似法を提案する。 線形収束率を証明し, 分岐, マージ, 軌道分割のシナリオを特徴とするセルデータに対する手法を厳密に評価した。
  論文  参考訳（メタデータ） (2024-05-30T04:19:20Z)
• Diffusion Generative Flow Samplers: Improving learning signals through partial trajectory optimization [87.21285093582446]
  Diffusion Generative Flow Samplers (DGFS) はサンプルベースのフレームワークであり、学習プロセスを短い部分的軌道セグメントに分解することができる。 生成フローネットワーク(GFlowNets)のための理論から着想を得た。
  論文  参考訳（メタデータ） (2023-10-04T09:39:05Z)
• Score-based Data Assimilation [7.215767098253208]
  軌道推定のためのスコアベースのデータ同化を導入する。 我々は、任意の長さの軌道のスコアを、短いセグメントにまたがって一連のスコアに分解できるというキーインサイトに基づいて、状態軌道のスコアに基づく生成モデルを学ぶ。
  論文  参考訳（メタデータ） (2023-06-18T14:22:03Z)
• Manifold Interpolating Optimal-Transport Flows for Trajectory Inference [64.94020639760026]
  最適輸送流(MIOFlow)を補間するマニフォールド補間法を提案する。 MIOFlowは、散発的なタイムポイントで撮影された静的スナップショットサンプルから、連続的な人口動態を学習する。 本手法は, 胚体分化および急性骨髄性白血病の治療から得られたscRNA-seqデータとともに, 分岐とマージによるシミュレーションデータについて検討した。
  論文  参考訳（メタデータ） (2022-06-29T22:19:03Z)

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。