論文の概要: Longitudinal Flow Matching for Trajectory Modeling

• arxiv url: http://arxiv.org/abs/2510.03569v1
• Date: Fri, 03 Oct 2025 23:33:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 16:52:59.121139
• Title: Longitudinal Flow Matching for Trajectory Modeling
• Title（参考訳）: 軌跡モデリングのための縦流マッチング
• Authors: Mohammad Mohaiminul Islam, Thijs P. Kuipers, Sharvaree Vadgama, Coen de Vente, Afsana Khan, Clara I. Sánchez, Erik J. Bekkers,
• Abstract要約: シーケンシャルデータの生成モデルは、スパースサンプリングや高次元の軌跡に苦しむことが多い。 連続力学を複数の観測点と協調的に学習するフレームワークである Textit Interpolative Multi-Marginal Flow Matching (IMMFM) を提案する。
• 参考スコア（独自算出の注目度）: 7.063657100587108
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative models for sequential data often struggle with sparsely sampled and high-dimensional trajectories, typically reducing the learning of dynamics to pairwise transitions. We propose \textit{Interpolative Multi-Marginal Flow Matching} (IMMFM), a framework that learns continuous stochastic dynamics jointly consistent with multiple observed time points. IMMFM employs a piecewise-quadratic interpolation path as a smooth target for flow matching and jointly optimizes drift and a data-driven diffusion coefficient, supported by a theoretical condition for stable learning. This design captures intrinsic stochasticity, handles irregular sparse sampling, and yields subject-specific trajectories. Experiments on synthetic benchmarks and real-world longitudinal neuroimaging datasets show that IMMFM outperforms existing methods in both forecasting accuracy and further downstream tasks.
• Abstract（参考訳）: シーケンシャルデータの生成モデルは、希少なサンプリングと高次元の軌道に苦しむことが多く、典型的にはダイナミクスの学習をペアのトランジションに還元する。 連続確率力学を複数の観測時間点と協調的に学習するフレームワークである, IMMFM (textit{Interpolative Multi-Marginal Flow Matching}) を提案する。 IMMFMはフローマッチングのためのスムーズなターゲットとして,スムーズな2次補間パスを採用し,安定学習のための理論条件で支持されたドリフトとデータ駆動拡散係数を協調的に最適化する。 この設計は内在的確率性を捉え、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経時的ニューロイメージングデータセットの実験により、IMMMFM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。

関連論文リスト

• Multi-Marginal Flow Matching with Adversarially Learnt Interpolants [27.294164408278448]
  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。
  論文  参考訳（メタデータ） (2025-10-01T17:47:27Z)
• Efficient Flow Matching using Latent Variables [3.5817637191799605]
  我々は、マルチモーダルデータ構造を組み込むための簡易なトレーニング/推論戦略を提供する、$textttLatent-CFM$を提示する。 textttLatent-CFM$は、トレーニングを著しく減らして、生成品質が向上していることを示す。
  論文  参考訳（メタデータ） (2025-05-07T14:59:23Z)
• FlowDAS: A Stochastic Interpolant-based Framework for Data Assimilation [15.64941169350615]
  データ同化(DA)は、PDEが支配するシステムの状態を推定するために、動的モデルと観測を統合する。 FlowDASは、間補体を使用して状態遷移ダイナミクスを学習する生成DAフレームワークである。 本研究では,FlowDASがモデル駆動法,ニューラル演算子,スコアベースベースラインを超える精度と物理的妥当性を示す。
  論文  参考訳（メタデータ） (2025-01-13T05:03:41Z)
• Flow map matching with stochastic interpolants: A mathematical framework for consistency models [15.520853806024943]
  フローマップマッチングは、基礎となる生成モデルの2時間フローマップを学ぶための原則化されたフレームワークである。 FMMは,高速サンプリングのための既存手法の幅広いクラスを統一し,拡張することを示す。
  論文  参考訳（メタデータ） (2024-06-11T17:41:26Z)
• On the Trajectory Regularity of ODE-based Diffusion Sampling [79.17334230868693]
  拡散に基づく生成モデルは微分方程式を用いて、複素データ分布と抽出可能な事前分布の間の滑らかな接続を確立する。 本稿では,拡散モデルのODEに基づくサンプリングプロセスにおいて,いくつかの興味深い軌道特性を同定する。
  論文  参考訳（メタデータ） (2024-05-18T15:59:41Z)
• Building symmetries into data-driven manifold dynamics models for complex flows: application to two-dimensional Kolmogorov flow [0.0]
  多くのフローは対称性に従っており、この研究はカオスフローの高効率な低次元データ駆動モデルを得るためにこれらのモデルをどのように活用するかを示している。 特に、対称性を取り入れることで、還元順序モデルが自動的にそれらを尊重し、データサンプリングの有効密度を劇的に高めることが保証される。
  論文  参考訳（メタデータ） (2023-12-15T22:05:21Z)
• Generative Modeling with Phase Stochastic Bridges [49.4474628881673]
  拡散モデル(DM)は、連続入力のための最先端の生成モデルを表す。 我々はtextbfphase space dynamics に基づく新しい生成モデリングフレームワークを提案する。 我々のフレームワークは、動的伝播の初期段階において、現実的なデータポイントを生成する能力を示す。
  論文  参考訳（メタデータ） (2023-10-11T18:38:28Z)
• A Geometric Perspective on Diffusion Models [57.27857591493788]
  本稿では,人気のある分散拡散型SDEのODEに基づくサンプリングについて検討する。 我々は、最適なODEベースのサンプリングと古典的な平均シフト(モード探索)アルゴリズムの理論的関係を確立する。
  論文  参考訳（メタデータ） (2023-05-31T15:33:16Z)
• 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。